Iris redux - uma acurácia mais robusta.

Neste exercício, você vai construir SVMs lineares para 100 partições distintas de treino/teste do conjunto de dados iris. Em seguida, vai avaliar o desempenho do seu modelo calculando a acurácia média e o desvio padrão. Esse procedimento, que é bastante geral, oferece uma medida muito mais robusta do desempenho do modelo do que aquelas obtidas a partir de uma única partição.

Este exercicio faz parte do curso

Support Vector Machines em R

Ver curso

Instruções do exercicio

Para cada execução:
- Particione o conjunto de dados em treino e teste com uma divisão aleatória de 80/20.
- Construa um SVM linear com custo padrão no conjunto de treino.
- Avalie a acurácia do seu modelo (accuracy já foi inicializada no seu ambiente).

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

for (i in 1:___){
  	#assign 80% of the data to the training set
    sample_size <- ___(___ * nrow(iris))
 	train <- ___(seq_len(nrow(iris)), size = ___)
    trainset <- iris[train, ]
	testset <- iris[-train, ]
  	#build model using training data
    svm_model <- svm(Species~ ., data = ___, 
                     type = "C-classification", kernel = "linear")
  	#calculate accuracy on test data
    pred_test <- predict(svm_model, ___)
    accuracy[i] <- mean(pred_test == ___$Species)
}
mean(___) 
sd(___)

Editar e Executar Código