När är klassificerare med mjuk marginal användbara?

I den här lektionen tittade vi på ett exempel där en linjär SVM med mjuk marginal (låg kostnad, bred marginal) hade bättre noggrannhet än sin motsvarighet med hård marginal (hög kostnad, smal marginal). Vilket av alternativen nedan kompletterar följande påstående bäst:

Linjära klassificerare med mjuk marginal är mest användbara när:

Den här övningen är en del av kursen

Support Vector Machines i R

Interaktiv övning med praktiskt arbete

Gör teori till handling med en av våra interaktiva övningar

Starta övningen

Den här övningen är en del av kursen

Support Vector Machines i R

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

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.

Exercise 1: Sockerinnehåll i läskedrycker Exercise 2: Visualisera ett dataset med sockerhalter Exercise 3: Identifiera beslutsgränser Exercise 4: Hitta separatorn med maximal marginal Exercise 5: Visualisera separatorn med maximal marginal Exercise 6: Skapa ett linjärt separerbart dataset Exercise 7: Generera ett 2D-dataset med likformig fördelning.Exercise 8: Skapa en beslutsgräns Exercise 9: Introducera en marginal i datamängden

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.

Exercise 1: Linjära Support Vector Machines Exercise 2: Skapa tränings- och testdatamängder Exercise 3: Bygg en linjär SVM-klassificerare Exercise 4: Utforska modellen och beräkna noggrannhet Exercise 5: Visualisering av linjära SVM:er Exercise 6: Visualisera supportvektorer med ggplot Exercise 7: Visualisera besluts- och marginalgränser med `ggplot2`Exercise 8: Visualisera besluts- och marginalgränser med `plot()`Exercise 9: Justera linjära SVM:er Exercise 10: Justera en linjär SVM Exercise 11: Visualisera beslutsgränser och marginaler Exercise 12: När är klassificerare med mjuk marginal användbara?

Aktuell övning

Exercise 13: Flerklassproblem Exercise 14: Ett flerklass-klassificeringsproblem Exercise 15: Iris redux – en mer robust noggrannhet.

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.

Exercise 1: Generera ett radiellt separerbart dataset Exercise 2: Generera ett 2D-dataset med radiell separerbarhet Exercise 3: Visualisera datamängden Exercise 4: Linjära SVM:er på radiellt separerbara data Exercise 5: Linjär SVM för ett radiellt separerbart dataset Exercise 6: Genomsnittlig noggrannhet för linjär SVM Exercise 7: Kernel-tricket Exercise 8: Visualisering av transformerad radiellt separerbar data Exercise 9: SVM med polynomialkärna Exercise 10: Finjustera SVM:er Exercise 11: Använda `tune.svm()`Exercise 12: Bygga och visualisera den finjusterade modellen

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.

Exercise 1: Skapa en komplex datamängd Exercise 2: Generera en komplex datamängd – del 1 Exercise 3: Skapa ett komplext dataset – del 2 Exercise 4: Visualisera datamängden Exercise 5: Motivering av RBF-kärnan Exercise 6: Linjär SVM för komplex datamängd Exercise 7: Kvadratisk SVM för komplex datamängd Exercise 8: RBF-kärnan Exercise 9: Polynomiell SVM på ett komplext dataset Exercise 10: RBF SVM på ett komplext dataset Exercise 11: Justera en SVM med RBF-kärna