Membangun dan memvisualisasikan model yang telah dituning
Pada latihan terakhir bab ini, Anda akan membangun SVM polinomial menggunakan nilai parameter optimal yang Anda peroleh dari tune.svm() pada latihan sebelumnya. Selanjutnya, Anda akan menghitung akurasi pelatihan dan pengujian serta memvisualisasikan model menggunakan svm.plot(). Pustaka e1071 telah dimuat sebelumnya dan himpunan data pelatihan serta pengujian tersedia pada dataframe trainset dan testset. Keluaran dari tune.svm() tersedia dalam variabel tune_out.
Latihan ini merupakan bagian dari kursus
Support Vector Machines di R
Instruksi latihan
- Bangun sebuah SVM menggunakan kernel polinomial derajat 2.
- Gunakan parameter optimal yang dihitung menggunakan
tune.svm(). - Peroleh akurasi pelatihan dan pengujian.
- Plot batas keputusan terhadap data pelatihan.
Latihan interaktif langsung praktik
Cobalah latihan ini dengan melengkapi kode contoh ini.
#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)