Kernelul RBF

Support Vector Machines în R

Kailash Awati

Instructor

Kernelul RBF pe scurt

Funcție descrescătoare a distanței dintre două puncte din set.
Simulează algoritmul k-NN.

Capitol 4.3 - kernel RBF - influență în funcție de distanța dintre puncte

Construirea unui SVM cu kernel RBF

Construiți un SVM cu kernel RBF pentru un set de date complex

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

Calculați acuratețea pe antrenament/test și trasați graficul față de setul de antrenament.

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)

Capitol 4.3 - set de date complex, kernel RBF implicit, reprezentare grafică cu svm.plot

Rafinarea frontierei de decizie

Ajustați gamma și cost cu 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")

Afișați cei mai buni parametri

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

tune_out$best.parameters$gamma

Modelul ajustat

Construiți modelul ajustat folosind 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)

Calculați acuratețea pe setul de test

mean(pred_test == testset$y)

0.95

Trasați frontiera de decizie

plot(svm_model, trainset)

Capitol 4.3 - set de date complex, kernel RBF ajustat, reprezentare grafică cu svm.plot

Timp de practică!

Support Vector Machines în R