Construindo e visualizando o modelo ajustado
No exercício final deste capítulo, você vai construir um SVM polinomial usando os valores ótimos dos parâmetros que obteve com tune.svm() no exercício anterior. Em seguida, você vai calcular as acurácias de treino e de teste e visualizar o modelo com svm.plot(). A biblioteca e1071 já está carregada e os conjuntos de treino e teste estão disponíveis nos data frames trainset e testset. A saída de tune.svm() está disponível na variável tune_out.
Este exercicio faz parte do curso
Support Vector Machines em R
Instruções do exercicio
- Construa um SVM usando um kernel polinomial de grau 2.
- Use os parâmetros ótimos calculados com
tune.svm(). - Obtenha as acurácias de treino e de teste.
- Plote a fronteira de decisão sobre os dados de treino.
exercicio interativo prático
Tente este exercicio completando este código de exemplo.
#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)