Vizualizace lineárních SVM

Support Vector Machines v R

Kailash Awati

Instructor

Vykreslení trénovacích dat pomocí ggplot().

# Visualize training data, distinguish classes using color
p <- ggplot(data = trainset, aes(x = x1, y = x2, color = y)) +
     geom_point() +
     scale_color_manual(values = c("red", "blue"))
# Render plot
p

Označení podpůrných vektorů pomocí index z svm_model.

# Identify support vectors
df_sv <- trainset[svm_model$index, ]
# Mark out support vectors in plot
p <- p + geom_point(data = df_sv,
                    aes(x = x1, y = x2),
                    color = "purple",
                    size = 4, alpha = 0.5)
# Display plot
p

Kapitola 2.2 – lineárně separovatelná data, výchozí cost lineární kernel s podpůrnými vektory

Výpočet směrnice a průsečíku hranice:

Sestavení váhového vektoru w z prvků coefs a SV modelu svm_model.

# Build weight vector
w <- t(svm_model$coefs) %*% svm_model$SV

směrnice = -w[1] / w[2]

# Calculate slope and save it to a variable
slope_1 <- -w[1] / w[2]

průsečík = svm_model$rho / w[2]

# Calculate intercept and save it to a variable
intercept_1 <- svm_model$rho / w[2]

Přidání rozhodovací hranice pomocí vypočítané směrnice a průsečíku.
K vykreslení hranice použijeme geom_abline().

# Plot decision boundary based on calculated slope and intercept
p <- p + geom_abline(slope = slope_1,
                     intercept = intercept_1)

Marže rovnoběžné s hranicí, posunuté o 1 / w[2] na každou stranu.

# Add margins to plot
p <- p + 
    geom_abline(slope = slope_1,
                intercept = intercept_1 - 1 / w[2],
                linetype = "dashed") + 
    geom_abline(slope = slope_1,
                intercept = intercept_1 + 1 / w[2],
                linetype = "dashed")
# Display plot
p

Kapitola 2.2 – lineárně separovatelná data, výchozí cost lineární kernel s podpůrnými vektory, rozhodovací hranicí a maržemi

Klasifikátory s měkkou marží

Připouštíme nejistotu v poloze / tvaru hranice
- Nikdy není dokonale lineární
- Zpravidla neznámá
Rozhodovací hranice je lineární, proto můžeme zmenšit marži

Vizualizace rozhodovací hranice pomocí funkce svm plot()

Funkce plot() pro e1071 poskytuje snadný způsob vykreslení rozhodovací hranice.

# Visualize decision boundary using built in plot function
plot(x = svm_model,
     data = trainset)

Kapitola 2.2 – lineárně separovatelná datová sada, výchozí cost lineární kernel, vykreslení pomocí svm.plot

Čas na procvičení!

Support Vector Machines v R