Побудова й візуалізація налаштованої моделі

У фінальній вправі цього розділу ви побудуєте поліноміальний SVM, використовуючи оптимальні значення параметрів, отримані з tune.svm() у попередній вправі. Далі ви обчислите тренувальну й тестову точності та візуалізуєте модель за допомогою svm.plot(). Бібліотеку e1071 уже завантажено, а тестовий і тренувальний набори даних доступні в датафреймах trainset і testset. Результат tune.svm() збережено у змінній tune_out.

Ця вправа є частиною курсу

Support Vector Machines в R

Переглянути курс

Інструкції до вправи

Побудуйте SVM з поліноміальним ядром ступеня 2.
Використайте оптимальні параметри, обчислені за допомогою tune.svm().
Отримайте тренувальну й тестову точності.
Побудуйте межу рішення на тлі тренувальних даних.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

#Build tuned model
svm_model <- svm(y~ ., data = trainset, type = "C-classification", 
                 kernel = ___, degree = ___, 
                 cost = tune_out$___$cost, 
                 gamma = tune_out$___$gamma, 
                 coef0 = tune_out$___$coef0)

#Calculate training and test accuracies
pred_train <- predict(svm_model, ___)
mean(pred_train == ___$y)
pred_test <- predict(svm_model, ___)
mean(pred_test == ___$y)

#plot model
plot(svm_model, trainset)

Редагувати та запускати код