Jądro RBF

Maszyny wektorów nośnych w R

Kailash Awati

Instructor

Jądro RBF w skrócie

Malejąca funkcja odległości między punktami w zbiorze danych.
Symuluje algorytm k-NN.

Rozdział 4.3 – jądro RBF – wpływ jako funkcja odległości między punktami

Budowanie SVM z jądrem RBF

Budowanie SVM z jądrem RBF dla złożonego zbioru danych

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

Obliczanie dokładności na zbiorze treningowym/testowym i wykres na tle danych treningowych.

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)

Rozdział 4.3 – złożony zbiór danych, domyślne jądro RBF, wykres z svm.plot

Doprecyzowanie granicy decyzyjnej

Dostrajanie gamma i cost za pomocą 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")

Wyświetlanie najlepszych parametrów

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

tune_out$best.parameters$gamma

Dostrojony model

Budowanie modelu z 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)

Obliczanie dokładności na zbiorze testowym

mean(pred_test == testset$y)

0.95

Wykres granicy decyzyjnej

plot(svm_model, trainset)

Rozdział 4.3 – złożony zbiór danych, dostrojone jądro RBF, wykres z svm.plot

Czas na ćwiczenia!

Maszyny wektorów nośnych w R