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
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.
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in 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)