Budowanie i wizualizacja dostrojonego modelu
W ostatnim ćwiczeniu tego rozdziału zbudujesz wielomianowy model SVM, korzystając z optymalnych wartości parametrów uzyskanych za pomocą tune.svm() w poprzednim ćwiczeniu. Następnie obliczysz dokładność modelu na danych treningowych i testowych, a granicę decyzyjną zwizualizujesz przy użyciu svm.plot(). Biblioteka e1071 jest już wczytana, a zbiory treningowy i testowy są dostępne w ramkach danych trainset i testset. Wynik działania tune.svm() jest dostępny w zmiennej tune_out.
To ćwiczenie jest częścią kursu
Maszyny wektorów nośnych w R
Instrukcje do ćwiczenia
- Zbuduj model SVM z wielomianowym jądrem stopnia 2.
- Użyj optymalnych parametrów obliczonych za pomocą
tune.svm(). - Oblicz dokładność modelu na danych treningowych i testowych.
- Narysuj granicę decyzyjną na tle danych treningowych.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
#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)