or
Den här övningen är en del av kursen
Det här kapitlet introducerar några centrala begrepp inom stödvektormaskiner genom ett enkelt endimensionellt exempel. Du får också steg för steg skapa ett linjärt separerbart dataset som används i nästföljande kapitel.
Introducerar grundläggande begrepp inom stödvektormaskiner genom att tillämpa svm-algoritmen på ett linjärt separerbart dataset. Viktiga begrepp illustreras med ggplot-visualiseringar som byggs utifrån algoritmens utdata, och kostparameterns roll belyses med ett tydligt exempel. Kapitlet avslutas med ett avsnitt om hur algoritmen hanterar problem med flera klasser.
Ger en introduktion till polynomkernlar via ett dataset som är radiellt separerbart, det vill säga har en cirkulär beslutsgräns. Efter att ha visat att linjära kernlar inte räcker till för det här datasetet får du se hur en enkel transformation gör problemet linjärt separerbart – vilket motiverar en intuitiv genomgång av kernelmetoden. Du tillämpar sedan polynomkerneln på datasetet och finjusterar den resulterande klassificeraren.
Bygger vidare på de tre föregående kapitlen genom att introducera den mycket flexibla radiella basfunktionskerneln (RBF). Du skapar ett "komplext" dataset som tydliggör polynomkernlarnas begränsningar. Sedan, efter en intuitiv motivering av RBF-kerneln, får du se hur den hanterar de brister hos de övriga kernlarna som kursen tagit upp.
Aktuell övning