CommencezCommencez gratuitement

Créer et visualiser le modèle ajusté

Dans le dernier exercice de ce chapitre, vous allez construire une SVM polynomiale en utilisant les valeurs optimales des paramètres obtenues avec tune.svm() à l'exercice précédent. Vous calculerez ensuite les exactitudes d'entraînement et de test et vous visualiserez le modèle avec svm.plot(). La bibliothèque e1071 est déjà chargée et les ensembles d'entraînement et de test sont disponibles dans les dataframes trainset et testset. Le résultat de tune.svm() est disponible dans la variable tune_out.

Cette activité fait partie du cours

Machines à vecteurs de support en R

Voir le cours

Instructions de l’exercice

  • Construisez une SVM avec un noyau polynomial de degré 2.
  • Utilisez les paramètres optimaux calculés par tune.svm().
  • Obtenez les exactitudes d'entraînement et de test.
  • Tracez la frontière de décision par rapport aux données d'entraînement.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

#Build tuned model
svm_model <- svm(y~ ., data = trainset, type = "C-classification", 
                 kernel = ___, degree = ___, 
                 cost = tune_out$___$cost, 
                 gamma = tune_out$___$gamma, 
                 coef0 = tune_out$___$coef0)

#Calculate training and test accuracies
pred_train <- predict(svm_model, ___)
mean(pred_train == ___$y)
pred_test <- predict(svm_model, ___)
mean(pred_test == ___$y)

#plot model
plot(svm_model, trainset)
Modifier et exécuter le code