Liniowe SVM na danych radialnie separowalnych

Maszyny wektorów nośnych w R

Kailash Awati

Instructor

Liniowe SVM, koszt = 1

Podział radialnie separowalnego zbioru na treningowy/testowy (seed = 10)

# Build default cost linear SVM on training set

svm_model <- svm(y ~ ., data = trainset, type = "C-classification", kernel = "linear", cost = 1)
svm_model

Number of Support Vectors:  126

# Calculate accuracy on test set

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

0.6129032

plot(svm_model, trainset)

Rozdział 3.2 – radialnie separowalny zbiór danych, domyślny koszt, liniowe jądro, wykres svm.plot

Liniowe SVM, koszt = 100

svm_model <- svm(y ~ ., data = trainset, type = "C-classification", kernel = "linear", cost = 100)
svm_model

Number of Support Vectors:  136

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

0.6129032

plot(svm_model, trainset)

Rozdział 3.2 – radialnie separowalny zbiór danych, koszt=100, liniowe jądro, wykres svm.plot

Lepsze oszacowanie dokładności

Obliczenie średniej dokładności dla wielu niezależnych podziałów na zbiory treningowy/testowy.
Sprawdzenie odchylenia standardowego w celu oceny zmienności wyników.

Średnia dokładność dla domyślnego kosztu SVM

accuracy <- rep(NA, 100)
set.seed(10)
for (i in 1:100) {
  sample_size <- floor(0.8 * nrow(df))
  train <- sample(seq_len(nrow(df)), size = sample_size)
  trainset <- df[train, ]
  testset <- df[-train, ]
  svm_model<- svm(y ~ ., data = trainset, type = "C-classification", cost = 1, kernel = "linear")
  pred_test <- predict(svm_model, testset)
  accuracy[i] <- mean(pred_test == testset$y)}
mean(accuracy)
sd(accuracy)

0.544
0.04273184

Jak dobrze działa liniowe SVM?

Niewiele lepiej niż rzut monetą!
Wiedza o granicy pozwala osiągnąć znacznie lepsze wyniki.

Czas na ćwiczenia!

Maszyny wektorów nośnych w R