Bygga och visualisera den finjusterade modellen
I det avslutande exemplet i det här kapitlet bygger du en polynomiell SVM med de optimala parametervärden som du fick från tune.svm() i föregående övning. Du beräknar sedan tränings- och testnoggrannhet och visualiserar modellen med hjälp av svm.plot(). Biblioteket e1071 är förladdat och test- och träningsdatamängderna finns tillgängliga i dataramarna trainset och testset. Resultatet från tune.svm() finns i variabeln tune_out.
Den här övningen är en del av kursen
Support Vector Machines i R
Övningsinstruktioner
- Bygg en SVM med en polynomiell kärna av grad 2.
- Använd de optimala parametrar som beräknades med
tune.svm(). - Ta fram tränings- och testnoggrannhet.
- Rita ut beslutsgränsen mot träningsdatan.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
#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)