多クラス問題

Rで学ぶSupport Vector Machines

Kailash Awati

Instructor

アイリスデータセット - はじめに

5つの属性を150件計測
- 花弁の幅と長さ - 数値（予測変数）
- がく片の幅と長さ - 数値（予測変数）
- 種 - カテゴリ：setosa、virginica、versicolor（目的変数）
データセット：UCI MLリポジトリ

アイリスデータセットの可視化

花弁の長さと幅をプロットする。

library(ggplot2)

# Plot petal length vs width for dataset, distinguish species by color
p <- ggplot(data = iris,
            aes(x = Petal.Width,
                y = Petal.Length,
                color = Species)) +
     geom_point()

# Display plot
p

第2章4節 - アイリスデータセット：花弁の長さと幅、種を色で区別

SVMアルゴリズムによる多クラス問題の対処法

SVMは本質的に二値分類器です。
次の投票戦略で多クラス問題に適用できます：
- データを2クラスずつのサブセットに分割する。
- 各サブセットで二値分類問題を解く。
- 多数決により各データポイントにクラスを割り当てる。
これをone-against-one分類戦略と呼ぶ。

多クラス線形SVMの構築

アイリスデータセットで線形SVMを構築する
- 80/20の訓練/テスト分割（シード10）、デフォルトコスト

library(e1071)

# Build model
svm_model <- svm(Species ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear")

正解率を計算する

pred_train <- predict(svm_model, trainset)
mean(pred_train == trainset$Species)

0.9756098

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

0.962963

練習しましょう！

Rで学ぶSupport Vector Machines