Efeito da remoção de exemplos
Os vetores de suporte são definidos como exemplos de treinamento que influenciam o limite de decisão. Neste exercício, você observará esse comportamento removendo vetores sem suporte do conjunto de treinamento.
O conjunto de dados de qualidade do vinho já está carregado em X e y (somente os dois primeiros recursos). (Observação: especificamos lims em plot_classifier() para que os dois gráficos sejam forçados a usar os mesmos limites de eixo e possam ser comparados diretamente).
Este exercício faz parte do curso
Classificadores lineares em Python
Instruções do exercício
- Treine um SVM linear em todo o conjunto de dados.
- Crie um novo conjunto de dados contendo apenas os vetores de suporte.
- Treine um novo SVM linear no conjunto de dados menor.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# Train a linear SVM
svm = SVC(kernel="linear")
svm.fit(____)
plot_classifier(X, y, svm, lims=(11,15,0,6))
# Make a new data set keeping only the support vectors
print("Number of original examples", len(X))
print("Number of support vectors", len(svm.support_))
X_small = X[____]
y_small = y[____]
# Train a new SVM using only the support vectors
svm_small = SVC(kernel="linear")
svm_small.fit(____)
plot_classifier(X_small, y_small, svm_small, lims=(11,15,0,6))