在本练习中，您将查看模型的内容，并计算其在训练集和测试集上的准确率。训练数据和测试数据分别保存在数据框 trainset 和 testset 中，SVM 模型存储在变量 svm_model 中。
trainset
testset
svm_model
本练习是课程的一部分
通过完成这段示例代码来试试这个练习。
#list components of model names(___)
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。
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。
当前练习
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。
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。