Maksimum marj ayırıcısını bul

Üzerinde çalıştığımız veri kümesinin, biri normal diğeri de azaltılmış şekerli iki gazlı içeceğin, rastgele seçilmiş 25 örneğinin şeker içeriği ölçümlerinden oluştuğunu hatırla. Daha önceki grafiklerimizden birinde iki ayrı küme (sınıf) belirledik. Sınıfların örtüşmediği bir veri kümesine ayrılabilir denir; sınıflar bir karar sınırı ile ayrılır. Maksimum marj ayırıcısı, her iki sınıfa da en uzak olan karar sınırıdır. Bu sınır, her sınıftaki ilgili uç noktaların ortalamasında bulunur. Bu durumda ilgili noktalar, düşük şeker içerikli sınıftaki en yüksek değerli nokta ile yüksek şeker içerikli sınıftaki en düşük değerli noktadır. Bu egzersizde, şeker içeriği veri kümesi için maksimum marj ayırıcısını bulman isteniyor.

Bu egzersiz, kursun bir parçasıdır

R ile Support Vector Machines

Kursa Göz Atın

Egzersiz talimatları

Maksimum marj ayırıcısını bul ve mm_separator değişkenine ata.
Her sınıftaki ilgili uç veri noktalarının şeker içeriği değerlerini bulmak için gösterilen grafiği kullan.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

#The maximal margin separator is at the midpoint of the two extreme points in each cluster.
mm_separator <- (___ + ___)/2

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

R ile Support Vector Machines

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

This chapter introduces some key concepts of support vector machines through a simple 1-dimensional example. Students are also walked through the creation of a linearly separable dataset that is used in the subsequent chapter.

Exercise 1: Gazlı içeceklerin şeker içeriği Exercise 2: Bir şeker içeriği veri kümesini görselleştirme Exercise 3: Karar sınırlarını belirleme Exercise 4: Maksimum marj ayırıcısını bul

Geçerli egzersiz

Exercise 5: Maksimum marj ayırıcısını görselleştir Exercise 6: Doğrusal olarak ayrılabilir bir veri kümesi oluşturma Exercise 7: 2 boyutlu, düzgün dağılımlı bir veri kümesi oluştur.Exercise 8: Bir karar sınırı oluştur Exercise 9: Veri kümesine bir marj ekle

Introduces students to the basic concepts of support vector machines by applying the svm algorithm to a dataset that is linearly separable. Key concepts are illustrated through ggplot visualisations that are built from the outputs of the algorithm and the role of the cost parameter is highlighted via a simple example. The chapter closes with a section on how the algorithm deals with multiclass problems.

Exercise 1: Linear Support Vector Machines Exercise 2: Creating training and test datasets Exercise 3: Building a linear SVM classifier Exercise 4: Exploring the model and calculating accuracy Exercise 5: Visualizing Linear SVMs Exercise 6: Visualizing support vectors using ggplot Exercise 7: Visualizing decision & margin bounds using `ggplot2`Exercise 8: Visualizing decision & margin bounds using `plot()`Exercise 9: Tuning linear SVMs Exercise 10: Tuning a linear SVM Exercise 11: Visualizing decision boundaries and margins Exercise 12: When are soft margin classifiers useful?Exercise 13: Multiclass problems Exercise 14: A multiclass classification problem Exercise 15: Iris redux - a more robust accuracy.

Provides an introduction to polynomial kernels via a dataset that is radially separable (i.e. has a circular decision boundary). After demonstrating the inadequacy of linear kernels for this dataset, students will see how a simple transformation renders the problem linearly separable thus motivating an intuitive discussion of the kernel trick. Students will then apply the polynomial kernel to the dataset and tune the resulting classifier.

Exercise 1: Generating a radially separable dataset Exercise 2: Generating a 2d radially separable dataset Exercise 3: Visualizing the dataset Exercise 4: Linear SVMs on radially separable data Exercise 5: Linear SVM for a radially separable dataset Exercise 6: Average accuracy for linear SVM Exercise 7: The kernel trick Exercise 8: Visualizing transformed radially separable data Exercise 9: SVM with polynomial kernel Exercise 10: Tuning SVMs Exercise 11: Using `tune.svm()`Exercise 12: Building and visualizing the tuned model

Builds on the previous three chapters by introducing the highly flexible Radial Basis Function (RBF) kernel. Students will create a "complex" dataset that shows up the limitations of polynomial kernels. Then, following an intuitive motivation for the RBF kernel, students see how it addresses the shortcomings of the other kernels discussed in this course.

Exercise 1: Generating a complex dataset Exercise 2: Generating a complex dataset - part 1 Exercise 3: Generating a complex dataset - part 2 Exercise 4: Visualizing the dataset Exercise 5: Motivating the RBF kernel Exercise 6: Linear SVM for complex dataset Exercise 7: Quadratic SVM for complex dataset Exercise 8: The RBF Kernel Exercise 9: Polynomial SVM on a complex dataset Exercise 10: RBF SVM on a complex dataset Exercise 11: Tuning an RBF kernel SVM