or
To ćwiczenie jest częścią kursu
Ten rozdział wprowadza kluczowe pojęcia dotyczące maszyn wektorów nośnych na prostym przykładzie jednowymiarowym. Przeprowadza też przez tworzenie liniowo separowalnego zbioru danych, który będzie używany w kolejnym rozdziale.
Zapoznaje z podstawowymi pojęciami dotyczącymi maszyn wektorów nośnych poprzez zastosowanie algorytmu SVM do liniowo separowalnego zbioru danych. Kluczowe koncepcje są zilustrowane wizualizacjami ggplot zbudowanymi na podstawie wyników algorytmu, a rola parametru kosztu jest omówiona na prostym przykładzie. Rozdział kończy się sekcją poświęconą temu, jak algorytm radzi sobie z problemami wieloklasowymi.
Wprowadza jądra wielomianowe na przykładzie zbioru danych separowalnego radialnie (tj. z okrągłą granicą decyzyjną). Po pokazaniu ograniczeń jąder liniowych dla tego zbioru danych zobaczysz, jak prosta transformacja sprawia, że problem staje się liniowo separowalny – co stanowi intuicyjne uzasadnienie sztuczki jądra. Następnie zastosujesz jądro wielomianowe do zbioru danych i dostroisz powstały klasyfikator.
Rozbudowuje wiedzę z poprzednich trzech rozdziałów, wprowadzając wysoce elastyczne jądro radialnej funkcji bazowej (RBF). Stworzysz „złożony" zbiór danych, który ujawnia ograniczenia jąder wielomianowych. Następnie – po intuicyjnym uzasadnieniu zastosowania jądra RBF – zobaczysz, jak radzi sobie ono z niedoskonałościami pozostałych jąder omówionych w tym kursie.
Bieżące ćwiczenie