Comece agoraComece grátis

Início
Cursos
Support Vector Machines em R

Motivando o kernel RBF

Create Your Free Account

or

Email Address

Password

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Este exercicio faz parte do curso

Support Vector Machines em R

IntermediárioNível de habilidade

4.8+

Comece o curso gratuitamente

Este capítulo apresenta conceitos-chave de support vector machines por meio de um exemplo simples em 1 dimensão. Você também vai criar um conjunto de dados linearmente separável que será usado no capítulo seguinte.

Exercise 1: Teor de açúcar de refrigerantes Exercise 2: Visualizando um conjunto de dados de teor de açúcar Exercise 3: Identificando limites de decisão Exercise 4: Encontre o separador de margem máxima Exercise 5: Visualize o separador de margem máxima Exercise 6: Gerando um conjunto de dados linearmente separável Exercise 7: Gere um conjunto de dados 2D com distribuição uniforme.Exercise 8: Crie uma fronteira de decisão Exercise 9: Introduzir uma margem no conjunto de dados

Apresenta os conceitos básicos de support vector machines aplicando o algoritmo svm a um conjunto de dados linearmente separável. Os conceitos principais são ilustrados com visualizações em ggplot construídas a partir das saídas do algoritmo, e o papel do parâmetro de custo é destacado por meio de um exemplo simples. O capítulo termina com uma seção sobre como o algoritmo lida com problemas multiclasse.

Exercise 1: Support Vector Machines lineares Exercise 2: Criando conjuntos de treino e teste Exercise 3: Construindo um classificador SVM linear Exercise 4: Explorando o modelo e calculando a acurácia Exercise 5: Visualizando SVMs Lineares Exercise 6: Visualizando vetores de suporte com ggplot Exercise 7: Visualizando a fronteira de decisão e as margens com `ggplot2`Exercise 8: Visualizando regiões de decisão e margens usando `plot()`Exercise 9: Ajustando SVMs lineares Exercise 10: Ajustando um SVM linear Exercise 11: Visualizando fronteiras de decisão e margens Exercise 12: Quando os classificadores de margem suave são úteis?Exercise 13: Problemas multiclasse Exercise 14: Um problema de classificação multiclasse Exercise 15: Iris redux - uma acurácia mais robusta.

Apresenta os kernels polinomiais usando um conjunto de dados radialmente separável (isto é, com uma fronteira de decisão circular). Após mostrar por que kernels lineares são inadequados para esse conjunto de dados, você verá como uma transformação simples torna o problema linearmente separável, motivando uma discussão intuitiva do kernel trick. Em seguida, você aplicará o kernel polinomial ao conjunto de dados e ajustará o classificador resultante.

Exercise 1: Gerando um conjunto de dados radialmente separável Exercise 2: Gerando um conjunto de dados 2D radialmente separável Exercise 3: Visualizando o conjunto de dados Exercise 4: SVMs lineares em dados radialmente separáveis Exercise 5: SVM linear para um conjunto de dados radialmente separável Exercise 6: Acurácia média para SVM linear Exercise 7: O truque do kernel Exercise 8: Visualizando dados radialmente separáveis transformados Exercise 9: SVM com kernel polinomial Exercise 10: Ajustando SVMs Exercise 11: Usando `tune.svm()`Exercise 12: Construindo e visualizando o modelo ajustado

Aprofunda os três capítulos anteriores ao apresentar o kernel de Função de Base Radial (RBF), altamente flexível. Você vai criar um conjunto de dados “complexo” que evidencia as limitações dos kernels polinomiais. Depois, com uma motivação intuitiva para o kernel RBF, verá como ele supera as deficiências dos outros kernels discutidos neste curso.

Exercise 1: Gerando um conjunto de dados complexo Exercise 2: Gerando um conjunto de dados complexo - parte 1 Exercise 3: Gerando um conjunto de dados complexo - parte 2 Exercise 4: Visualizando o conjunto de dados Exercise 5: Motivando o kernel RBF

Exercicio Atual

Exercise 6: SVM linear para conjunto de dados complexo Exercise 7: SVM quadrática para conjunto de dados complexo Exercise 8: O kernel RBF Exercise 9: SVM polinomial em um conjunto de dados complexo Exercise 10: SVM com kernel RBF em um conjunto de dados complexo Exercise 11: Ajustando um SVM com kernel RBF