Créer une frontière de décision

Le jeu de données que vous avez créé à l’exercice précédent est disponible dans le dataframe df (rappel : il contient deux variables uniformément distribuées, x1 et x2, comprises entre 0 et 1). Dans cet exercice, vous allez ajouter une variable de classe à ce jeu de données. Pour cela, vous allez créer une variable y dont la valeur est -1 ou +1 selon que le point (x1, x2) se situe en dessous ou au-dessus de la droite qui passe par l’origine et a une pente de 1,4.

Cet exercice fait partie du cours

<cours>Machines à vecteurs de support en R</cours>

Instructions de l’exercice

Créez une nouvelle colonne y dans le dataframe df avec les spécifications suivantes :
y = -1 si x2 < 1.4*x1
y = 1 si x2 > 1.4*x1

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

#classify data points depending on location
df$y <- factor(ifelse(df$___ - ___*df$___ < 0, -1, 1), 
    levels = c(-1, 1))

Modifier et exécuter le code

Cet exercice fait partie du cours

<cours>Machines à vecteurs de support en R</cours>

IntermédiaireNiveau de compétence

4.8+

Commencer le cours gratuitement

This chapter introduces some key concepts of support vector machines through a simple 1-dimensional example. Students are also walked through the creation of a linearly separable dataset that is used in the subsequent chapter.

Exercise 1: Teneur en sucre des sodas 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 séparable Exercise 7: Générer un jeu de données bidimensionnel à distribution uniforme.Exercise 8: Créer une frontière de décision

Exercice actuel

Exercise 9: Introduire une marge dans le jeu de données

Introduces students to the basic concepts of support vector machines by applying the svm algorithm to a dataset that is linearly separable. Key concepts are illustrated through ggplot visualisations that are built from the outputs of the algorithm and the role of the cost parameter is highlighted via a simple example. The chapter closes with a section on how the algorithm deals with multiclass problems.

Exercise 1: Linear Support Vector Machines Exercise 2: Creating training and test datasets Exercise 3: Building a linear SVM classifier Exercise 4: Exploring the model and calculating accuracy Exercise 5: Visualizing Linear SVMs Exercise 6: Visualizing support vectors using ggplot Exercise 7: Visualizing decision & margin bounds using `ggplot2`Exercise 8: Visualizing decision & margin bounds using `plot()`Exercise 9: Tuning linear SVMs Exercise 10: Tuning a linear SVM Exercise 11: Visualizing decision boundaries and margins Exercise 12: When are soft margin classifiers useful?Exercise 13: Multiclass problems Exercise 14: A multiclass classification problem Exercise 15: Iris redux - a more robust accuracy.

Provides an introduction to polynomial kernels via a dataset that is radially separable (i.e. has a circular decision boundary). After demonstrating the inadequacy of linear kernels for this dataset, students will see how a simple transformation renders the problem linearly separable thus motivating an intuitive discussion of the kernel trick. Students will then apply the polynomial kernel to the dataset and tune the resulting classifier.

Exercise 1: Generating a radially separable dataset Exercise 2: Generating a 2d radially separable dataset Exercise 3: Visualizing the dataset Exercise 4: Linear SVMs on radially separable data Exercise 5: Linear SVM for a radially separable dataset Exercise 6: Average accuracy for linear SVM Exercise 7: The kernel trick Exercise 8: Visualizing transformed radially separable data Exercise 9: SVM with polynomial kernel Exercise 10: Tuning SVMs Exercise 11: Using `tune.svm()`Exercise 12: Building and visualizing the tuned model

Builds on the previous three chapters by introducing the highly flexible Radial Basis Function (RBF) kernel. Students will create a "complex" dataset that shows up the limitations of polynomial kernels. Then, following an intuitive motivation for the RBF kernel, students see how it addresses the shortcomings of the other kernels discussed in this course.

Exercise 1: Generating a complex dataset Exercise 2: Generating a complex dataset - part 1 Exercise 3: Generating a complex dataset - part 2 Exercise 4: Visualizing the dataset Exercise 5: Motivating the RBF kernel Exercise 6: Linear SVM for complex dataset Exercise 7: Quadratic SVM for complex dataset Exercise 8: The RBF Kernel Exercise 9: Polynomial SVM on a complex dataset Exercise 10: RBF SVM on a complex dataset Exercise 11: Tuning an RBF kernel SVM