`tune.svm()` kullanma

Bu egzersiz, tune.svm() fonksiyonunu kullanarak pratik yapmanı sağlayacak. Bu fonksiyonla, bu bölümün başlarında oluşturduğun radyoal olarak ayrılabilir veri kümesine dayalı bir SVM modelinin cost, gamma ve coef0 parametreleri için en iyi değerleri elde edeceksin. Eğitim verisi trainset veri çerçevesinde, test verisi testset içinde mevcut ve e1071 kütüphanesi senin için önceden yüklendi. Sınıf değişkeni y’nin trainset ve testset’in üçüncü sütununda yer aldığını unutma.

Ayrıca videoda Kailash’ın, cost parametresi için 10=10^1 ile 1000=10^3 aralığını 10’un katları şeklinde elde etmek üzere cost=10^(1:3) kullandığını hatırla.

Bu egzersiz, kursun bir parçasıdır

R ile Support Vector Machines

Kursa Göz Atın

Egzersiz talimatları

Parametre arama aralıklarını şu şekilde ayarla:
- cost - 0.1 (10^(-1)) ile 100 (10^2) arasında, 10’un katları olacak şekilde.
- gamma ve coef0 - şu değerlerden biri: 0.1, 1 ve 10.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

#tune model
tune_out <- 
    tune.svm(x = trainset[, -3], y = trainset[, 3], 
             type = "C-classification", 
             kernel = "polynomial", degree = 2, cost = 10^(___:___), 
             gamma = c(___, ___, ___), coef0 = c(0.1, 1, 10))

#list optimal values
tune_out$best.parameters$___
tune_out$best.parameters$___
tune_out$best.parameters$___

Kodu Düzenle ve Çalıştır

Bu egzersiz, kursun bir parçasıdır

R ile Support Vector Machines

IntermediárioNível de habilidade

4.8+

Kursa Ücretsiz Başla

Bu bölüm, basit bir tek boyutlu örnek üzerinden support vector machines’in bazı temel kavramlarını tanıtır. Ayrıca, bir sonraki bölümde kullanılacak, doğrusal olarak ayrılabilir bir veri kümesinin oluşturulması adım adım gösterilir.

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 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

Öğrencileri, doğrusal olarak ayrılabilir bir veri kümesine svm algoritmasını uygulayarak support vector machines’in temel kavramlarıyla tanıştırır. Temel kavramlar, algoritmanın çıktılarından oluşturulan ggplot görselleştirmeleriyle örneklenir ve cost parametresinin rolü basit bir örnekle vurgulanır. Bölüm, algoritmanın çok sınıflı problemlerle nasıl başa çıktığını anlatan bir kısımla sonlanır.

Exercise 1: Doğrusal Destek Vektör Makineleri Exercise 2: Eğitim ve test veri kümeleri oluşturma Exercise 3: Doğrusal bir SVM sınıflandırıcısı oluşturma Exercise 4: Modeli keşfetme ve doğruluğu hesaplama Exercise 5: Lineer SVM'leri Görselleştirme Exercise 6: ggplot ile destek vektörlerini görselleştirme Exercise 7: `ggplot2` kullanarak karar ve marj sınırlarını görselleştirme Exercise 8: Karar ve marj sınırlarını `plot()` ile görselleştirme Exercise 9: Doğrusal SVM’leri ayarlama Exercise 10: Doğrusal bir SVM'i ayarlama Exercise 11: Karar sınırlarını ve marjinleri görselleştirme Exercise 12: Yumuşak marjin sınıflandırıcılar ne zaman kullanışlıdır?Exercise 13: Çok sınıflı problemler Exercise 14: Çok sınıflı bir sınıflandırma problemi Exercise 15: Iris yeniden: daha sağlam bir doğruluk.

Dairesel bir karar sınırına sahip, radyal olarak ayrılabilir bir veri kümesi üzerinden polinom kernel’lere giriş sunar. Bu veri kümesi için lineer kernel’lerin yetersizliğini gösterdikten sonra, basit bir dönüşümün problemi doğrusal olarak ayrılabilir hale getirdiğini görecek ve böylece kernel hilesine dair sezgisel bir tartışma için motivasyon sağlanacaktır. Ardından öğrenciler, veri kümesine polinom kernel’i uygulayıp ortaya çıkan sınıflandırıcıyı ayarlayacak (tune)lardır.

Exercise 1: Radyal olarak ayrılabilir bir veri kümesi oluşturma Exercise 2: 2B radyal olarak ayrılabilir bir veri kümesi oluşturma Exercise 3: Veri kümesini görselleştirme Exercise 4: Radyal olarak ayrılabilir veride doğrusal SVM'ler Exercise 5: Radyal olarak ayrılabilir bir veri kümesi için lineer SVM Exercise 6: Doğrusal SVM için ortalama doğruluk Exercise 7: Çekirdek hilesi Exercise 8: Dönüştürülmüş radyal olarak ayrılabilir veriyi görselleştirme Exercise 9: Polinom çekirdekli SVM Exercise 10: SVM'leri Ayarlama Exercise 11: `tune.svm()` kullanma

Geçerli egzersiz

Exercise 12: Ayarlanmış modeli kurma ve görselleştirme

Önceki üç bölümün üzerine, son derece esnek Radyal Taban Fonksiyonu (RBF) kernel’ini tanıtarak inşa eder. Öğrenciler, polinom kernel’lerin sınırlamalarını ortaya koyan “karmaşık” bir veri kümesi oluşturacak. Ardından, RBF kernel’ine yönelik sezgisel bir motivasyonu takiben, bu kernel’in kursta tartışılan diğer kernel’lerin eksik kaldığı noktaları nasıl giderdiğini göreceksin.

Exercise 1: Karmaşık bir veri kümesi oluşturma Exercise 2: Karmaşık bir veri kümesi oluşturma - bölüm 1 Exercise 3: Karmaşık bir veri kümesi oluşturma - bölüm 2 Exercise 4: Veri kümesini görselleştirme Exercise 5: RBF çekirdeğine motivasyon Exercise 6: Karmaşık veri kümesi için doğrusal SVM Exercise 7: Karmaşık veri kümesi için ikinci dereceden SVM Exercise 8: RBF Çekirdeği Exercise 9: Karmaşık bir veri kümesinde polinom SVM Exercise 10: Karmaşık bir veri kümesinde RBF SVM Exercise 11: Bir RBF kernel SVM’ini ayarlama