Jádro RBF

Support Vector Machines v R

Kailash Awati

Instructor

Jádro RBF stručně

Klesající funkce vzdálenosti mezi dvěma body v datové sadě.
Simuluje algoritmus k-NN.

Kapitola 4.3 – jádro RBF – vliv jako funkce vzdálenosti mezi body

Sestavení SVM s jádrem RBF

Sestavte SVM s jádrem RBF pro složitou datovou sadu

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

Vypočítejte přesnost na trénovací/testovací sadě a vizualizujte vůči trénovací sadě.

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

0.93125

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

0.9416667

#plot decision boundary
plot(svm_model, trainset)

Kapitola 4.3 – složitá datová sada, výchozí jádro RBF, vizualizace pomocí svm.plot

Zpřesnění rozhodovací hranice

Nalaďte gamma a cost pomocí tune.svm()

# Tune parameters
tune_out <- tune.svm(x = trainset[,-3],
                     y = trainset[,3],
                     gamma = 5 * 10 ^ (-2:2),
                     cost = c(0.01, 0.1, 1, 10, 100),
                     type = "C-classification",
                     kernel = "radial")

Vypište nejlepší parametry

# Print best values of cost and gamma
tune_out$best.parameters$cost

tune_out$best.parameters$gamma

Naladěný model

Sestavte naladěný model pomocí best.parameters

svm_model <- svm(y ~ ., data = trainset, 
              type = "C-classification", 
              kernel = "radial",
              cost = tune_out$best.parameters$cost,
              gamma = tune_out$best.parameters$gamma)

Vypočítejte přesnost na testovací sadě

mean(pred_test == testset$y)

0.95

Vizualizujte rozhodovací hranici

plot(svm_model, trainset)

Kapitola 4.3 – složitá datová sada, naladěné jádro RBF, vizualizace pomocí svm.plot

Čas na procvičení!

Support Vector Machines v R