Eğitim ve test veri kümeleri oluşturma

Bir veri kümesini eğitim ve test setlerine ayırmak, bir sınıflandırma modeli kurup test ederken önemli bir adımdır. Eğitim seti modeli kurmak için, test seti ise tahmin doğruluğunu değerlendirmek için kullanılır.

Bu egzersizde, önceki bölümde oluşturduğun veri kümesini eğitim ve test setlerine ayıracaksın. Veri kümesi df veri çerçevesine yüklendi ve tekrar üretilebilirlik için bir tohum değeri (seed) zaten ayarlandı. Önceki videoda, eğitim setinin uzunluğu için üst sınırı bazı kullanışlı fonksiyonlarla belirlemiştik — şimdi bunları uygulama sırası sende!

Bu egzersiz, kursun bir parçasıdır

R ile Support Vector Machines

Kursa Göz Atın

Egzersiz talimatları

Eğitim setinde yer alacak satır sayısının üst sınırını belirle ve sample_size içinde sakla.
80/20 oranına göre rastgele atanan eğitim setini tutacak train vektörünü oluştur.
train vektöründeki satırları trainset veri çerçevesine, kalanları ise testset veri çerçevesine ata.

Uygulamalı etkileşimli egzersiz

Bu egzersizi bu örnek kodu tamamlayarak deneyin.

# Set the upper bound for the length of the training set
sample_size <- ___(___ * nrow(df))

# Assign rows to training set randomly
train <- ___(seq_len(nrow(df)), size = ___)

# Yield training and test sets
trainset <- df[___, ]
testset <- df[-___, ]

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

Geçerli egzersiz

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 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