Visualizzare i confini di decisione e i margini

Nel precedente esercizio hai costruito due classificatori lineari per un insieme di dati linearmente separabile, uno con cost = 1 e l'altro con cost = 100. In questo esercizio visualizzerai i margini dei due classificatori in un unico grafico. Hai a disposizione i seguenti oggetti:

L'insieme di dati di training: trainset.
I classificatori con cost = 1 e cost = 100, rispettivamente in svm_model_1 e svm_model_100.
La pendenza e l'intercetta per il classificatore con cost = 1 sono salvate in slope_1 e intercept_1.
La pendenza e l'intercetta per il classificatore con cost = 100 sono salvate in slope_100 e intercept_100.
I vettori dei pesi per i due costi sono salvati rispettivamente in w_1 e w_100.
Uno scatter plot di base dei dati di training è salvato in train_plot.

La libreria ggplot2 è già stata caricata.

Questo esercizio fa parte del corso

Support Vector Machines in R

Visualizza il corso

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

#add decision boundary and margins for cost = 1 to training data scatter plot
train_plot_with_margins <- train_plot + 
    geom_abline(slope = ___, intercept = ___) +
    geom_abline(slope = ___, intercept = ___-1/w_1[2], linetype = "dashed")+
    geom_abline(slope = ___, intercept = ___+1/w_1[2], linetype = "dashed")

#display plot
train_plot_with_margins

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: Sugar content of soft drinks Exercise 2: Visualizing a sugar content dataset Exercise 3: Identifying decision boundaries Exercise 4: Find the maximal margin separator Exercise 5: Visualize the maximal margin separator Exercise 6: Generating a linearly separable dataset Exercise 7: Generate a 2d uniformly distributed dataset.Exercise 8: Create a decision boundary Exercise 9: Introduce a margin in the dataset

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: Support Vector Machines lineari Exercise 2: Creare insieme di addestramento e di test Exercise 3: Creare un classificatore SVM lineare Exercise 4: Esplorare il modello e calcolare l'accuratezza Exercise 5: Visualizzare le SVM lineari Exercise 6: Visualizzare i support vector con ggplot Exercise 7: Visualizzare frontiera di decisione e margini con `ggplot2`Exercise 8: Visualizzare confini di decisione e margine usando `plot()`Exercise 9: Ottimizzare gli SVM lineari Exercise 10: Ottimizzare un SVM lineare Exercise 11: Visualizzare i confini di decisione e i margini

Esercizio in corso

Exercise 12: Quando sono utili i classificatori a margine morbido?Exercise 13: Problemi multiclasse Exercise 14: Un problema di classificazione multiclasse Exercise 15: Iris redux - un'accuratezza più robusta.

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