Liniowe maszyny wektorów nośnych

Maszyny wektorów nośnych w R

Kailash Awati

Instructor

Podział na zbiór treningowy i testowy

Zbiór danych z poprzedniego rozdziału znajduje się w ramce danych df.
Podział zbioru na zestaw treningowy i testowy

Losowy podział 80/20

# Set seed for reproducibility
set.seed(1)
# Set the upper bound for the number of rows to be in the training set
sample_size <- floor(0.8 * nrow(df))
# Assign rows to training/test sets randomly in 80/20 proportion
train <- sample(seq_len(nrow(df)), size = sample_size)
# Separate training and test sets
trainset <- df[train, ]
testset <- df[-train, ]

Granice decyzji i jądra

Granice decyzji mogą mieć różne kształty: linie, wielomiany lub bardziej złożone funkcje.
Typ granicy decyzji nazywany jest jądrem.
Jądro należy określić z góry.
Ten rozdział skupia się na jądrach liniowych.

SVM z jądrem liniowym

Użyjemy funkcji svm z biblioteki e1071.
Funkcja posiada wiele parametrów. Poniższe ustawimy jawnie:
- formula - formuła określająca zmienną zależną, w naszym przypadku y.
- data - ramka danych zawierająca dane, czyli trainset.
- type - ustawione na C-classification (problem klasyfikacji).
- kernel - postać granicy decyzji, tutaj liniowa.
- cost i gamma - parametry służące do strojenia modelu.
- scale - wartość logiczna wskazująca, czy skalować dane.

Budowanie liniowego SVM

Załaduj bibliotekę e1071 i wywołaj funkcję svm()

library(e1071)

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

Przegląd modelu

Wpisanie svm_model zwraca:
- przegląd modelu z typem klasyfikacji i jądra
- wartości parametrów strojenia

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

# Index of support vectors in training dataset
svm_model$index

# Support vectors
svm_model$SV

# Negative intercept (unweighted)
svm_model$rho

# Weighting coefficients for support vectors
svm_model$coefs

4   8  10  11  18  37  38  39  47  59  60  74  76  77  78  80  83 ...

             x1         x2
5   0.519095949 0.44232464

-0.1087075

            [,1]
 [1,]  1.0000000

Uzyskanie prognoz klas dla zbiorów treningowego i testowego.
Ocena dokładności modelu na obu zbiorach.

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

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

1
# Perfect!!

Czas na ćwiczenia!

Maszyny wektorów nośnych w R