Visualiser les frontières de décision et les marges

Dans l'exercice précédent, vous avez construit deux classificateurs linéaires pour un jeu de données linéairement séparables, l'un avec cost = 1 et l'autre avec cost = 100. Dans cet exercice, vous allez visualiser les marges des deux classificateurs sur un même graphique. Les objets suivants sont à votre disposition :

Le jeu de données d'entraînement : trainset.
Les classificateurs cost = 1 et cost = 100 dans svm_model_1 et svm_model_100, respectivement.
La pente et l'ordonnée à l'origine du classificateur cost = 1 sont stockées dans slope_1 et intercept_1.
La pente et l'ordonnée à l'origine du classificateur cost = 100 sont stockées dans slope_100 et intercept_100.
Les vecteurs de poids pour les deux coûts sont stockés dans w_1 et w_100, respectivement
Un nuage de points de base des données d'entraînement est stocké dans train_plot

La bibliothèque ggplot2 a été préchargée.

Cette activité fait partie du cours

Machines à vecteurs de support en R

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

#add decision boundary and margins for cost = 1 to training data scatter plot
train_plot_with_margins <- train_plot + 
    geom_abline(slope = ___, intercept = ___) +
    geom_abline(slope = ___, intercept = ___-1/w_1[2], linetype = "dashed")+
    geom_abline(slope = ___, intercept = ___+1/w_1[2], linetype = "dashed")

#display plot
train_plot_with_margins

Modifier et exécuter le code

Cette activité fait partie du cours

Machines à vecteurs de support en R

SkillTag.level.intermediateSkillTag.label

4.8+

Commencer le cours gratuitement

Ce chapitre présente quelques concepts clés des machines à vecteurs de support au moyen d'un simple exemple unidimensionnel. On guide aussi les étudiantes et étudiants dans la création d'un jeu de données linéairement séparables qui sera utilisé au chapitre suivant.

Exercise 1: Teneur en sucre des boissons gazeuses Exercise 2: Visualiser un jeu de données sur la teneur en sucre Exercise 3: Identifier les frontières de décision Exercise 4: Trouver le séparateur à marge maximale Exercise 5: Visualiser le séparateur à marge maximale Exercise 6: Générer un jeu de données linéairement séparables Exercise 7: Générer un jeu de données bidimensionnel à distribution uniforme.Exercise 8: Créer une frontière de décision Exercise 9: Introduire une marge dans l'ensemble de données

Présente les concepts de base des machines à vecteurs de support en appliquant l'algorithme svm à un jeu de données linéairement séparables. Les concepts clés sont illustrés à l'aide de visualisations ggplot construites à partir des résultats de l'algorithme, et le rôle du paramètre de coût est mis en évidence par un exemple simple. Le chapitre se termine par une section sur la façon dont l'algorithme traite les problèmes multiclasse.

Exercise 1: Machines à vecteurs de support linéaires Exercise 2: Créer des ensembles d'entraînement et de test Exercise 3: Créer un classifieur SVM linéaire Exercise 4: Explorer le modèle et calculer la précision Exercise 5: Visualiser les SVM linéaires Exercise 6: Visualiser les vecteurs de support avec ggplot Exercise 7: Visualiser les frontières de décision et de marge avec `ggplot2`Exercise 8: Visualisation des frontières de décision et de marge avec `plot()`Exercise 9: Ajuster les SVM linéaires Exercise 10: Ajuster un SVM linéaire Exercise 11: Visualiser les frontières de décision et les marges

Exercice en cours

Exercise 12: Dans quels cas les classificateurs à marge souple sont-ils utiles?Exercise 13: Problèmes multiclasse Exercise 14: Un problème de classification multiclasse Exercise 15: Iris redux — une justesse plus robuste.

Propose une introduction aux noyaux polynomiaux à l'aide d'un jeu de données radialement séparables (c.-à-d. avec une frontière de décision circulaire). Après avoir démontré l'insuffisance des noyaux linéaires pour ce jeu de données, vous verrez comment une simple transformation rend le problème linéairement séparable, ce qui motive une discussion intuitive de l'astuce du noyau. Vous appliquerez ensuite le noyau polynomial au jeu de données et réglerez le classificateur obtenu.

Exercise 1: Générer un jeu de données radialement séparable Exercise 2: Générer un ensemble de données 2D radialement séparable Exercise 3: Visualiser l'ensemble de données Exercise 4: SVM linéaires sur des données séparables radialement Exercise 5: SVM linéaire pour un ensemble de données radialement séparable Exercise 6: Précision moyenne pour une SVM linéaire Exercise 7: L'astuce du noyau Exercise 8: Visualiser des données radialement séparables après transformation Exercise 9: SVM avec noyau polynomial Exercise 10: Ajuster les SVM Exercise 11: Utiliser `tune.svm()`Exercise 12: Créer et visualiser le modèle ajusté

S'appuie sur les trois chapitres précédents en présentant le noyau à fonction de base radiale (RBF), très flexible. Vous créerez un jeu de données « complexe » qui met en évidence les limites des noyaux polynomiaux. Puis, à la suite d'une motivation intuitive du noyau RBF, vous verrez comment il corrige les lacunes des autres noyaux abordés dans ce cours.

Exercise 1: Générer un jeu de données complexe Exercise 2: Générer un jeu de données complexe – partie 1 Exercise 3: Générer un jeu de données complexe - partie 2 Exercise 4: Visualiser l'ensemble de données Exercise 5: Motiver le noyau RBF Exercise 6: SVM linéaire pour un jeu de données complexe Exercise 7: SVM quadratique pour un ensemble de données complexe Exercise 8: Le noyau RBF Exercise 9: SVM polynomial sur un jeu de données complexe Exercise 10: SVM à noyau RBF sur un jeu de données complexe Exercise 11: Ajuster un SVM à noyau RBF