IniziaInizia gratis

Iris redux - un'accuratezza più robusta.

In questo esercizio costruirai SVM lineari per 100 diverse partizioni training/test dell'insieme di dati iris. Valuterai poi le prestazioni del modello calcolando accuratezza media e deviazione standard. Questa procedura, piuttosto generale, ti fornirà una misura molto più robusta delle prestazioni del modello rispetto a quella ottenuta da una singola partizione.

Questo esercizio fa parte del corso

Support Vector Machines in R

Visualizza il corso

Istruzioni dell'esercizio

  • Per ciascuna prova:
    • Suddividi l'insieme di dati in training e test con una partizione casuale 80/20.
    • Costruisci una SVM lineare con costo di default sul training set.
    • Valuta l'accuratezza del modello (accuracy è stata inizializzata nel tuo ambiente).

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

for (i in 1:___){
  	#assign 80% of the data to the training set
    sample_size <- ___(___ * nrow(iris))
 	train <- ___(seq_len(nrow(iris)), size = ___)
    trainset <- iris[train, ]
	testset <- iris[-train, ]
  	#build model using training data
    svm_model <- svm(Species~ ., data = ___, 
                     type = "C-classification", kernel = "linear")
  	#calculate accuracy on test data
    pred_test <- predict(svm_model, ___)
    accuracy[i] <- mean(pred_test == ___$Species)
}
mean(___) 
sd(___)
Modifica ed esegui il codice