CommencerCommencer gratuitement

Construire et visualiser le modèle optimisé

Dans le dernier exercice de ce chapitre, vous allez construire un SVM polynomial en utilisant les valeurs optimales des paramètres obtenues avec tune.svm() à l’exercice précédent. Vous calculerez ensuite les précisions d’entraînement et de test, puis vous visualiserez le modèle avec svm.plot(). La bibliothèque e1071 a été préchargée et les jeux de données d’entraînement et de test sont disponibles dans les dataframes trainset et testset. La sortie de tune.svm() est disponible dans la variable tune_out.

Cet exercice fait partie du cours

Machines à vecteurs de support en R

Afficher le cours

Instructions

  • Construisez un SVM avec un noyau polynomial de degré 2.
  • Utilisez les paramètres optimaux calculés avec tune.svm().
  • Obtenez les précisions d’entraînement et de test.
  • Tracez la frontière de décision sur les données d’entraînement.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

#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