Ajustando SVMs lineares

Support Vector Machines em R

Kailash Awati

Instructor

SVM linear, custo padrão

library(e1071)
svm_model <- svm(y ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear", 
                scale = FALSE)
# Print model summary
svm_model

Call:
svm(formula = y ~ .,
    data = trainset,
    type = "C-classification", 
    kernel = "linear",
    scale = FALSE)

Parameters:
SVM-Type:  C-classification 
 SVM-Kernel:  linear 
       cost:  1 
      gamma:  0.5 
Number of Support Vectors:  55

Capítulo 2.3 - conjunto linearmente separável, custo padrão, kernel linear com vetores de suporte e fronteiras de decisão e margem

SVM linear com cost = 100

library(e1071)
svm_model <- svm(y ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear", 
                cost = 100,
                scale = FALSE)
# Print model summary
svm_model

Call:
svm(formula = y ~ .,
    data = trainset,
    type = "C-classification", 
    kernel = "linear",
    cost = 100,
    scale = FALSE)

Parameters:
SVM-Type:  C-classification 
 SVM-Kernel:  linear 
       cost:  100 
      gamma:  0.5 
Number of Support Vectors:  6

Capítulo 2.3 - dados linearmente separáveis, cost = 100, kernel linear com vetores de suporte e fronteiras de decisão e margem

Implicação

Pode ser útil reduzir a margem se a fronteira de decisão for linear
...mas isso raramente ocorre na prática

Capítulo 2.3 - conjunto não linearmente separável

Conjunto não linear, SVM linear (cost = 100)

Construa o modelo com cost=100 usando 80% dos dados para treino

# Build model
library(e1071)
svm_model<- svm(y ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear", 
                cost = 100,
                scale = FALSE)

Calcule a acurácia

# Train and test accuracy
pred_train <- predict(svm_model, trainset)
mean(pred_train == trainset$y)

0.8208333

pred_test <- predict(svm_model, testset)
mean(pred_test == testset$y)

0.85

Acurácia média no teste em 50 divisões aleatórias treino/teste: 82,9%

Capítulo 2.3 - conjunto não linearmente separável, cost=100, kernel linear com vetores de suporte e fronteiras de decisão e margem

Conjunto não linear, SVM linear (cost = 1)

Reconstrua o modelo com cost = 1

# Trainset contains 80% of data
# Same train/test split as before.
# Build model
svm_model <- svm(y ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear", 
                cost = 1,
                scale = FALSE)

Calcule a acurácia no teste

# Test accuracy
pred_test <- predict(svm_model, testset)
mean(pred_test == testset$y)

0.8666667

Acurácia média no teste em 50 divisões aleatórias treino/teste: 83,7%

Capítulo 2.3 - conjunto não linearmente separável, cost=1, kernel linear com vetores de suporte e fronteiras de decisão e margem

Vamos praticar!

Support Vector Machines em R