Le noyau RBF

Machines à vecteurs de support en R

Kailash Awati

Instructor

Le noyau RBF en bref

Fonction décroissante de la distance entre deux points d'un ensemble de données.
Simule l'algorithme k-NN.

Chapitre 4.3 - Noyau RBF - influence en fonction de la distance entre les points

Construire un SVM avec le noyau RBF

Construire un SVM à noyau RBF pour un ensemble complexe

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

Calculer la précision entraînement/test et tracer sur l'ensemble d'entraînement.

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)

Chapitre 4.3 - ensemble complexe, noyau RBF par défaut, tracé avec svm.plot

Affiner la frontière de décision

Ajuster gamma et cost avec 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")

Afficher les meilleurs paramètres

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

tune_out$best.parameters$gamma

Le modèle ajusté

Construire le modèle ajusté avec 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)

Calculer la précision sur test

mean(pred_test == testset$y)

0.95

Tracer la frontière de décision

plot(svm_model, trainset)

Chapitre 4.3 - ensemble complexe, noyau RBF ajusté, tracé avec svm.plot

Passons à la pratique !

Machines à vecteurs de support en R