本章將透過一個簡單的 1 維範例，引介支援向量機的關鍵概念。你也會一步步建立一個線性可分的資料集，供下一章使用。

汽水的含糖量

視覺化糖含量資料集

辨識決策邊界

找出最大邊界分隔線

視覺化最大邊界分隔器

產生線性可分的資料集

產生 2D 等機率分佈的資料集。

建立決策邊界

在資料集中加入邊界

導論

本章透過將 svm 演算法應用於線性可分的資料集，帶你認識支援向量機的基本概念。關鍵概念會以來自演算法輸出的資料所建立的 ggplot 視覺化來說明，並以簡單範例凸顯 cost 參數的角色。章末會介紹演算法如何處理多分類問題。

線性 Support Vector Machine

建立訓練與測試資料集

建立線性 SVM 分類器

探索模型並計算準確率

視覺化線性 SVM

使用 ggplot 視覺化支援向量

使用 `ggplot2` 視覺化決策邊界與邊際

使用 `plot()` 視覺化決策與邊界範圍

調整線性 SVM

視覺化決策邊界與邊界距離（margins）

什麼時候軟性邊界分類器有用？

多類別問題

多類別分類問題

Iris 再訪——更穩健的正確率。

支援向量分類器－線性核函式

本章以一個徑向可分（也就是具有圓形決策邊界）的資料集介紹多項式核函式。在展示線性核對此資料集的不足之後，你會看到如何透過簡單轉換，讓問題變為線性可分，進而引出對核技巧的直觀說明。接著，你將把多項式核套用到該資料集，並調整得到的分類器。

產生可徑向分離的資料集

產生 2D 徑向可分的資料集

資料集視覺化

在徑向可分資料上的線性 SVM

對放射式可分資料集進行線性 SVM

線性 SVM 的平均正確率

Kernel 技巧

視覺化轉換後的徑向可分資料

使用 polynomial kernel 的 SVM

調整 SVM

使用 `tune.svm()`

建立並視覺化已調參的模型

多項式核函式

本章承接前三章內容，介紹高度彈性的徑向基底函式（RBF）核。你將建立一個「較複雜」的資料集，以凸顯多項式核的限制。接著，透過對 RBF 核的直觀動機說明，你會看到它如何彌補本課程中其他核函式的不足。

產生較複雜的資料集

產生複雜資料集－第 1 部分

產生複雜資料集——第 2 部分

視覺化資料集

從動機出發：為什麼需要 RBF 核

複雜資料集的線性 SVM

複雜資料集的二次 SVM

RBF 核

在複雜資料集上使用 Polynomial SVM

在複雜資料集上使用 RBF SVM

調校 RBF kernel 的 SVM

徑向基底函式核

本課程將以直觀、具視覺化的方式介紹強大的分類器——支援向量機（SVM）。「R 的支援向量機」將幫助你理解 SVM 作為分類器的模型概念，並透過使用 e1071 套件中基於 libsvm 的實作，在 R 中獲得實作經驗。過程中，你會直觀掌握多個重要概念，例如硬邊界與軟邊界、核技巧（kernel trick）、不同類型的核函式，以及如何調整 SVM 參數。準備好用這個強大的模型來進行資料分類吧。

從動機出發：為什麼需要 RBF 核

Create Your Free Account