Effet du retrait d’exemples
Les vecteurs de support sont définis comme les exemples d’entraînement qui influencent la frontière de décision. Dans cet exercice, vous allez observer ce comportement en retirant les exemples qui ne sont pas des vecteurs de support de l’ensemble d’entraînement.
Le jeu de données sur la qualité du vin est déjà chargé dans X et y (seulement les deux premières caractéristiques). (Remarque : nous spécifions lims dans plot_classifier() afin que les deux graphiques utilisent les mêmes limites d’axes et puissent être comparés directement.)
Cet exercice fait partie du cours
Classifieurs linéaires en Python
Instructions
- Entraînez un SVM linéaire sur l’ensemble complet des données.
- Créez un nouvel ensemble de données ne contenant que les vecteurs de support.
- Entraînez un nouveau SVM linéaire sur ce plus petit ensemble de données.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Train a linear SVM
svm = SVC(kernel="linear")
svm.fit(____)
plot_classifier(X, y, svm, lims=(11,15,0,6))
# Make a new data set keeping only the support vectors
print("Number of original examples", len(X))
print("Number of support vectors", len(svm.support_))
X_small = X[____]
y_small = y[____]
# Train a new SVM using only the support vectors
svm_small = SVC(kernel="linear")
svm_small.fit(____)
plot_classifier(X_small, y_small, svm_small, lims=(11,15,0,6))