의사 결정 경계와 마진 시각화

이전 연습 문제에서는 선형적으로 분리 가능한 데이터셋에 대해 두 개의 선형 분류기를 만들었는데, 하나는 cost = 1, 다른 하나는 cost = 100이었죠. 이번 연습 문제에서는 두 분류기의 마진을 하나의 플롯에 시각화해 보겠습니다. 다음 객체들을 사용할 수 있습니다:

학습 데이터셋: trainset.
cost = 1과 cost = 100 분류기: 각각 svm_model_1과 svm_model_100.
cost = 1 분류기의 기울기와 절편: slope_1, intercept_1.
cost = 100 분류기의 기울기와 절편: slope_100, intercept_100.
두 비용에 대한 가중치 벡터: 각각 w_1, w_100.
학습 데이터의 기본 산점도: train_plot.

ggplot2 라이브러리는 미리 로드되어 있습니다.

이 연습은 강의의 일부입니다

R에서의 Support Vector Machine

실습형 인터랙티브 연습

이 예제를 이 샘플 코드를 완성하여 풀어보세요.

#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

코드 편집 및 실행

이 연습은 강의의 일부입니다

R에서의 Support Vector Machine

SkillTag.level.intermediateSkillTag.label

4.8+

무료로 강의 시작하기

이 챕터에서는 간단한 1차원 예제를 통해 support vector machine의 핵심 개념을 소개합니다. 또한 다음 챕터에서 사용할 선형 분리가 가능한 데이터셋을 만드는 과정을 함께 진행합니다.

Exercise 1: 탄산음료의 당 함량 Exercise 2: 당류 함량 데이터셋 시각화 Exercise 3: 결정 경계 찾기 Exercise 4: 최대 마진 분리 경계 찾기 Exercise 5: 최대 마진 분리선 시각화하기 Exercise 6: 선형 분리가 가능한 데이터셋 생성하기 Exercise 7: 2차원 균등 분포 데이터셋 생성하기.Exercise 8: 결정 경계 만들기 Exercise 9: 데이터셋에 마진 추가하기

선형 분리가 가능한 데이터셋에 svm 알고리즘을 적용하면서 support vector machine의 기본 개념을 소개합니다. 알고리즘 결과를 바탕으로 만든 ggplot 시각화로 핵심 개념을 설명하고, 간단한 예제를 통해 cost 파라미터의 역할을 강조합니다. 마지막으로 다중 클래스 문제를 알고리즘이 어떻게 처리하는지도 살펴봅니다.

Exercise 1: 선형 Support Vector Machine Exercise 2: 훈련 세트와 테스트 세트 만들기 Exercise 3: 선형 SVM 분류기 만들기 Exercise 4: 모델 살펴보기와 정확도 계산하기 Exercise 5: 선형 SVM 시각화 Exercise 6: ggplot으로 서포트 벡터 시각화하기 Exercise 7: `ggplot2`로 결정 경계와 마진 시각화하기 Exercise 8: `plot()`으로 결정 경계와 마진 경계 시각화 Exercise 9: 선형 SVM 튜닝하기 Exercise 10: 선형 SVM 튜닝하기 Exercise 11: 의사 결정 경계와 마진 시각화

현재 연습

Exercise 12: 소프트 마진 분류기는 언제 유용한가요?Exercise 13: 다중 클래스 문제 Exercise 14: 다중 클래스 분류 문제 Exercise 15: Iris 다시 보기 - 더 견고한 정확도

원형 결정 경계를 갖는, 즉 반경 방향으로 분리 가능한 데이터셋을 통해 다항식 커널을 소개합니다. 이 데이터셋에 선형 커널이 적합하지 않음을 보인 뒤, 간단한 변환으로 문제가 선형 분리가 가능해지는 과정을 통해 kernel trick을 직관적으로 설명합니다. 이후 다항식 커널을 적용해 분류기를 만들고 성능을 튜닝합니다.

Exercise 1: 반지름 방향으로 분리 가능한 데이터셋 생성하기 Exercise 2: 2차원 반지름 기준(방사형)으로 분리 가능한 데이터셋 만들기 Exercise 3: 데이터셋 시각화 Exercise 4: 방사형으로 분리 가능한 데이터에서의 선형 SVM Exercise 5: 반경 형태로 분리 가능한 데이터셋에 대한 선형 SVM Exercise 6: 선형 SVM의 평균 정확도 Exercise 7: 커널 트릭 Exercise 8: 변환된 방사형 분리 데이터 시각화 Exercise 9: 다항 커널을 사용한 SVM Exercise 10: SVM 튜닝 Exercise 11: `tune.svm()` 사용하기 Exercise 12: 튜닝된 모델 구축 및 시각화

앞선 세 챕터를 바탕으로, 매우 유연한 Radial Basis Function(RBF) 커널을 소개합니다. 먼저 다항식 커널의 한계를 드러내는 "복잡한" 데이터셋을 생성한 후, RBF 커널의 직관적 동기를 설명하고, 이 커널이 본 강의에서 다룬 다른 커널들의 한계를 어떻게 보완하는지 확인합니다.

Exercise 1: 복잡한 데이터셋 만들기 Exercise 2: 복잡한 데이터셋 생성 - 1부 Exercise 3: 복잡한 데이터셋 생성 - 2부 Exercise 4: 데이터셋 시각화 Exercise 5: RBF 커널의 필요성 이해하기 Exercise 6: 복잡한 데이터셋에 대한 선형 SVM Exercise 7: 복잡한 데이터셋에 대한 이차 SVM Exercise 8: RBF 커널 Exercise 9: 복잡한 데이터셋에서의 다항식 SVM Exercise 10: 복잡한 데이터셋에서의 RBF SVM Exercise 11: RBF 커널 SVM 하이퍼파라미터 튜닝