SVM tuyến tính trên dữ liệu tách được theo hướng xuyên tâm

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Bài tập này là một phần của khóa học

Support Vector Machines bằng R

SkillTag.level.intermediateSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Chương này giới thiệu một số khái niệm then chốt của support vector machines thông qua ví dụ 1 chiều đơn giản. Bạn cũng sẽ được hướng dẫn tạo một bộ dữ liệu phân lớp tuyến tính, sẽ dùng ở chương tiếp theo.

Exercise 1: Hàm lượng đường trong đồ uống có ga Exercise 2: Trực quan hóa bộ dữ liệu hàm lượng đường Exercise 3: Nhận diện ranh giới quyết định Exercise 4: Tìm đường phân tách biên tối đa Exercise 5: Trực quan hóa đường phân tách biên tối đa Exercise 6: Tạo một tập dữ liệu phân tách tuyến tính Exercise 7: Tạo một bộ dữ liệu 2D phân bố đều.Exercise 8: Tạo ranh giới quyết định Exercise 9: Thêm một margin vào bộ dữ liệu

Giới thiệu các khái niệm cơ bản của support vector machines bằng cách áp dụng thuật toán svm lên một bộ dữ liệu phân lớp tuyến tính. Các khái niệm chủ chốt được minh họa qua biểu đồ ggplot được xây dựng từ đầu ra của thuật toán, và vai trò của tham số cost được làm nổi bật qua một ví dụ đơn giản. Chương kết thúc với phần trình bày cách thuật toán xử lý các bài toán đa lớp.

Exercise 1: Support Vector Machine tuyến tính Exercise 2: Tạo bộ dữ liệu huấn luyện và kiểm tra Exercise 3: Xây dựng bộ phân loại SVM tuyến tính Exercise 4: Khám phá mô hình và tính độ chính xác Exercise 5: Trực quan hóa SVM tuyến tính Exercise 6: Trực quan hóa các vector hỗ trợ bằng ggplot Exercise 7: Trực quan hóa ranh quyết định và biên margin với `ggplot2`Exercise 8: Trực quan hóa biên quyết định và biên lề bằng `plot()`Exercise 9: Tinh chỉnh SVM tuyến tính Exercise 10: Điều chỉnh SVM tuyến tính Exercise 11: Trực quan hóa ranh giới quyết định và lề Exercise 12: Khi nào bộ phân loại soft margin hữu ích?Exercise 13: Bài toán đa lớp Exercise 14: Một bài toán phân loại đa lớp Exercise 15: Iris redux - độ chính xác vững hơn.

Giới thiệu về polynomial kernels thông qua một bộ dữ liệu tách rời theo hướng xuyên tâm (tức có biên quyết định dạng tròn). Sau khi chứng minh sự không phù hợp của linear kernels cho bộ dữ liệu này, bạn sẽ thấy cách một phép biến đổi đơn giản giúp bài toán trở nên phân lớp tuyến tính, từ đó dẫn dắt thảo luận trực quan về kernel trick. Tiếp theo, bạn sẽ áp dụng polynomial kernel cho bộ dữ liệu và tinh chỉnh bộ phân loại thu được.

Exercise 1: Tạo một tập dữ liệu tách được theo hướng tâm Exercise 2: Tạo bộ dữ liệu 2D tách được theo hướng xuyên tâm Exercise 3: Trực quan hóa dữ liệu Exercise 4: SVM tuyến tính trên dữ liệu tách được theo hướng xuyên tâm

Bài tập hiện tại

Exercise 5: SVM tuyến tính cho bộ dữ liệu phân tách theo bán kính Exercise 6: Độ chính xác trung bình cho SVM tuyến tính Exercise 7: Mẹo dùng kernel (kernel trick)Exercise 8: Trực quan hóa dữ liệu tách được theo bán kính sau biến đổi Exercise 9: SVM với polynomial kernel Exercise 10: Điều chỉnh SVM Exercise 11: Sử dụng `tune.svm()`Exercise 12: Xây dựng và trực quan hóa mô hình đã tinh chỉnh

Phát triển từ ba chương trước bằng cách giới thiệu Radial Basis Function (RBF) kernel có độ linh hoạt cao. Bạn sẽ tạo một bộ dữ liệu “phức tạp” để bộc lộ hạn chế của polynomial kernels. Sau đó, dựa trên phần lý giải trực quan cho RBF kernel, bạn sẽ thấy cách nó khắc phục các điểm yếu của những kernel khác được thảo luận trong khóa học này.

Exercise 1: Tạo một bộ dữ liệu phức tạp Exercise 2: Tạo bộ dữ liệu phức tạp - phần 1 Exercise 3: Tạo một tập dữ liệu phức tạp - phần 2 Exercise 4: Trực quan hóa bộ dữ liệu Exercise 5: Tạo động lực cho kernel RBF Exercise 6: SVM tuyến tính cho bộ dữ liệu phức tạp Exercise 7: SVM bậc hai cho dữ liệu phức tạp Exercise 8: Kernel RBF Exercise 9: SVM đa thức trên một tập dữ liệu phức tạp Exercise 10: RBF SVM trên một tập dữ liệu phức tạp Exercise 11: Tinh chỉnh SVM với kernel RBF