Aan de slagBegin gratis

Het getunede model bouwen en visualiseren

In de laatste oefening van dit hoofdstuk bouw je een polynomiale SVM met de optimale parameterwaarden die je in de vorige oefening met tune.svm() hebt gevonden. Vervolgens bereken je de training- en testaccuratesse en visualiseer je het model met svm.plot(). De e1071-bibliotheek is al geladen en de test- en trainingsgegevenssets zijn beschikbaar in de dataframes trainset en testset. De output van tune.svm() staat in de variabele tune_out.

Deze oefening maakt deel uit van de cursus

Support Vector Machines in R

Bekijk cursus

Oefeninstructies

  • Bouw een SVM met een polynomiale kernel van graad 2.
  • Gebruik de optimale parameters die met tune.svm() zijn bepaald.
  • Bereken de accuratesse voor training en test.
  • Plot de beslissingsgrens tegenover de trainingsdata.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

#Build tuned model
svm_model <- svm(y~ ., data = trainset, type = "C-classification", 
                 kernel = ___, degree = ___, 
                 cost = tune_out$___$cost, 
                 gamma = tune_out$___$gamma, 
                 coef0 = tune_out$___$coef0)

#Calculate training and test accuracies
pred_train <- predict(svm_model, ___)
mean(pred_train == ___$y)
pred_test <- predict(svm_model, ___)
mean(pred_test == ___$y)

#plot model
plot(svm_model, trainset)
Code bewerken en uitvoeren