Dostrajanie liniowych SVM

Maszyny wektorów nośnych w R

Kailash Awati

Instructor

Liniowe SVM, domyślny koszt

library(e1071)
svm_model <- svm(y ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear", 
                scale = FALSE)
# Print model summary
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

Rozdział 2.3 – zbiór danych liniowo separowalny, domyślny koszt, liniowe jądro z wektorami nośnymi, granicami decyzyjną i marginesową

Liniowe SVM z cost = 100

library(e1071)
svm_model <- svm(y ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear", 
                cost = 100,
                scale = FALSE)
# Print model summary
svm_model

Call:
svm(formula = y ~ .,
    data = trainset,
    type = "C-classification", 
    kernel = "linear",
    cost = 100,
    scale = FALSE)

Parameters:
SVM-Type:  C-classification 
 SVM-Kernel:  linear 
       cost:  100 
      gamma:  0.5 
Number of Support Vectors:  6

Rozdział 2.3 – dane liniowo separowalne, cost = 100, liniowe jądro z wektorami nośnymi, granicami decyzyjną i marginesową

Implikacja

Zmniejszenie marginesu może być przydatne, gdy granica decyzyjna jest liniowa
...ale w praktyce rzadko tak jest

Rozdział 2.3 – zbiór danych nieliniowo separowalny

Zbiór nieliniowy, liniowe SVM (cost = 100)

Zbudowanie modelu z cost=100 na zbiorze treningowym stanowiącym 80% danych

# Build model
library(e1071)
svm_model<- svm(y ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear", 
                cost = 100,
                scale = FALSE)

Obliczenie dokładności

# Train and test accuracy
pred_train <- predict(svm_model, trainset)
mean(pred_train == trainset$y)

0.8208333

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

0.85

Średnia dokładność testowa dla 50 losowych podziałów: 82,9%

Rozdział 2.3 – zbiór danych nieliniowo separowalny, cost=100, liniowe jądro z wektorami nośnymi, granicami decyzyjną i marginesową

Zbiór nieliniowy, liniowe SVM (cost = 1)

Przebudowanie modelu z cost = 1

# Trainset contains 80% of data
# Same train/test split as before.
# Build model
svm_model <- svm(y ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear", 
                cost = 1,
                scale = FALSE)

Obliczenie dokładności testowej

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

0.8666667

Średnia dokładność testowa dla 50 losowych podziałów: 83,7%

Rozdział 2.3 – zbiór danych nieliniowo separowalny, cost=1, liniowe jądro z wektorami nośnymi, granicami decyzyjną i marginesową

Czas na ćwiczenia!

Maszyny wektorów nośnych w R