本章通过一个简单的 1 维示例引入支持向量机的一些关键概念。您还将学习如何构造一个线性可分的数据集，供后续章节使用。

软饮料的含糖量

可视化含糖量数据集

识别决策边界

寻找最大间隔分隔线

可视化最大间隔分离器

生成线性可分的数据集

生成一个二维均匀分布的数据集。

创建一个决策边界

在数据集中引入间隔

导言

本章通过将 svm 算法应用于线性可分的数据集，向您介绍支持向量机的基本概念。我们将用由算法输出构建的 ggplot 可视化来展示要点，并通过一个简单示例强调 cost 参数的作用。最后，本章将介绍算法如何处理多类别问题。

线性 Support Vector Machines

创建训练集和测试集

构建线性 SVM 分类器

探索模型并计算准确率

可视化线性 SVM

使用 ggplot 可视化支持向量

使用 `ggplot2` 可视化决策边界与间隔边界

使用 `plot()` 可视化决策边界与间隔边界

调优线性 SVM

调参线性 SVM

可视化决策边界与间隔

软间隔分类器何时有用？

多分类问题

一个多分类问题

Iris 重访——更稳健的准确率评估。

支持向量分类器——线性核

本章通过一个径向可分（即具有圆形决策边界）的数据集引入多项式核。在展示线性核对该数据集效果不佳之后，您将看到如何通过一次简单变换使问题在线性空间中可分，从而引出对核技巧的直观讨论。随后，您将把多项式核应用到该数据集并对得到的分类器进行调参。

生成径向可分的数据集

生成二维径向可分的数据集

可视化数据集

在径向可分数据上使用线性 SVM

针对径向可分数据集的线性 SVM

线性 SVM 的平均准确率

核技巧

可视化变换后的径向可分数据

使用多项式核的 SVM

调参 SVM

使用 `tune.svm()`

构建并可视化已调优的模型

多项式核

在前三章基础上，本章将介绍高度灵活的径向基函数（RBF）核。您将创建一个"复杂"的数据集，以揭示多项式核的局限性。接着，在对 RBF 核进行直观动机阐释之后，您将看到它如何弥补本课程中其他核函数的不足。

生成一个复杂数据集

生成一个复杂数据集 - 第 1 部分

生成复杂数据集 - 第 2 部分

引出 RBF 核的动机

复杂数据集的线性 SVM

复杂数据集的二次 SVM

RBF 核函数

在复杂数据集上使用多项式 SVM

在复杂数据集上使用 RBF SVM

调参与 RBF 核的 SVM

径向基函数核

本课程将以直观、可视化的方式介绍一种强大的分类器——支持向量机（SVM）。通过 R 中 e1071 包的 libsvm 实现，Support Vector Machines in R 将帮助学习者理解 SVM 作为分类器的模型原理，并获得实际操作经验。课程中，您还将直观掌握硬间隔与软间隔、核技巧、不同类型的核函数以及如何调参等关键概念。准备好用这一强大的模型来完成数据分类吧。

在径向可分数据上使用线性 SVM

Create Your Free Account