Creare insieme di addestramento e di test

Dividere un insieme di dati in set di addestramento e di test è un passaggio fondamentale per costruire e valutare un modello di classificazione. Il set di addestramento serve per costruire il modello, mentre il set di test per valutarne l'accuratezza predittiva.

In questo esercizio, dividerai l'insieme di dati che hai creato nel capitolo precedente in set di addestramento e di test. L'insieme di dati è stato caricato nel data frame df ed è già stato impostato un seed per garantire la riproducibilità. Ricorda che nel video precedente abbiamo impostato il limite superiore per la dimensione del set di addestramento usando alcune funzioni utili: ora tocca a te implementarle!

Questo esercizio fa parte del corso

Support Vector Machines in R

Visualizza il corso

Istruzioni dell'esercizio

Determina il limite superiore del numero di righe da includere nel set di addestramento e salvalo in sample_size.
Crea il vettore train che memorizza l'assegnazione casuale del set di addestramento secondo la proporzione 80/20.
Assegna le righe nel vettore train al data frame trainset e le restanti al data frame testset.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Set the upper bound for the length of the training set
sample_size <- ___(___ * nrow(df))

# Assign rows to training set randomly
train <- ___(seq_len(nrow(df)), size = ___)

# Yield training and test sets
trainset <- df[___, ]
testset <- 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: 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

Esercizio in corso

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 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