Visualizzare un insieme di dati sul contenuto di zucchero

In questo esercizio creerai uno scatter plot monodimensionale di 25 misurazioni del contenuto di zucchero di bibite. L'obiettivo è visualizzare cluster distinti nell'insieme di dati come primo passo per individuare possibili frontiere di decisione.

L'insieme di dati con 25 misurazioni del contenuto di zucchero è memorizzato nella colonna sugar_content del data frame df, che è stato precaricato per te.

Questo esercizio fa parte del corso

Support Vector Machines in R

Visualizza il corso

Istruzioni dell'esercizio

Carica il pacchetto ggplot2.
Elenca le variabili nel dataframe df.
Completa il codice dello scatter plot. Usando il dataset df, rappresenta il contenuto di zucchero dei campioni sull'asse x (con y uguale a zero).
Scrivi il codice ggplot() per mostrare il contenuto di zucchero in df come scatter plot. Riesci a individuare due cluster distinti corrispondenti a campioni con contenuto di zucchero alto e basso?

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Load ggplot2
___

# Print variable names
___

# Plot sugar content along the x-axis
plot_df <- ggplot(data = __, aes(x = ___, y = ___)) + 
    geom_point() + 
    geom_text(aes(label = sugar_content), size = 2.5, vjust = 2, hjust = 0.5)

# Display plot
plot_df

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Support Vector Machines in R

IntermediárioNível de habilidade

4.9+

Inizia il corso gratis

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: Contenuto di zucchero nelle bibite Exercise 2: Visualizzare un insieme di dati sul contenuto di zucchero

Esercizio in corso

Exercise 3: Identificare i confini decisionali Exercise 4: Trova il separatore a margine massimo Exercise 5: Visualizza il separatore a margine massimo Exercise 6: Generare un insieme di dati linearmente separabile Exercise 7: Genera un insieme di dati bidimensionale a distribuzione uniforme.Exercise 8: Crea un confine decisionale Exercise 9: Introduci un margine nell'insieme di dati

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