SVM lineari su dati separabili radialmente

Support Vector Machines in R

Kailash Awati

Instructor

SVM lineare, cost = 1

Suddividi il dataset separabile radialmente in training/test (seed = 10)

# Build default cost linear SVM on training set

svm_model <- svm(y ~ ., data = trainset, type = "C-classification", kernel = "linear", cost = 1)
svm_model

Number of Support Vectors:  126

# Calculate accuracy on test set

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

0.6129032

plot(svm_model, trainset)

Capitolo 3.2 - dataset separabile radialmente, kernel lineare costo predefinito, grafico con svm.plot

SVM lineare, cost = 100

svm_model <- svm(y ~ ., data = trainset, type = "C-classification", kernel = "linear", cost = 100)
svm_model

Number of Support Vectors:  136

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

0.6129032

plot(svm_model, trainset)

Capitolo 3.2 - dataset separabile radialmente, cost=100 kernel lineare, grafico con svm.plot

Una stima migliore dell'accuratezza

Calcola l'accuratezza media su più split indipendenti train/test.
Controlla la deviazione standard per stimare la variabilità.

Accuratezza media per SVM costo predefinito

accuracy <- rep(NA, 100)
set.seed(10)
for (i in 1:100) {
  sample_size <- floor(0.8 * nrow(df))
  train <- sample(seq_len(nrow(df)), size = sample_size)
  trainset <- df[train, ]
  testset <- df[-train, ]
  svm_model<- svm(y ~ ., data = trainset, type = "C-classification", cost = 1, kernel = "linear")
  pred_test <- predict(svm_model, testset)
  accuracy[i] <- mean(pred_test == testset$y)}
mean(accuracy)
sd(accuracy)

0.544
0.04273184

Quanto rende una SVM lineare?

Appena meglio del lancio di una moneta!
Possiamo sfruttare la conoscenza del confine per fare molto meglio.

Esercitiamoci!

Support Vector Machines in R