Visualisation des SVM linéaires

Machines à vecteurs de support en R

Kailash Awati

Instructor

Tracez les données d'entraînement avec ggplot().

# Visualiser les données d'entraînement, distinguer les classes par couleur
p <- ggplot(data = trainset, aes(x = x1, y = x2, color = y)) +
     geom_point() +
     scale_color_manual(values = c("red", "blue"))
# Afficher le graphique
p

Indiquez les vecteurs de support avec index de svm_model.

# Repérer les vecteurs de support
df_sv <- trainset[svm_model$index, ]
# Marquer les vecteurs de support sur le graphique
p <- p + geom_point(data = df_sv,
                    aes(x = x1, y = x2),
                    color = "purple",
                    size = 4, alpha = 0.5)
# Afficher le graphique
p

Chapitre 2.2 - données linéairement séparables, noyau linéaire coût par défaut avec vecteurs de support

Trouvez la pente et l'ordonnée à l'origine de la frontière :

Construisez le vecteur de poids w à partir de coefs et SV de svm_model.

# Construire le vecteur de poids
w <- t(svm_model$coefs) %*% svm_model$SV

pente = -w[1] / w[2]

# Calculer la pente et la stocker dans une variable
slope_1 <- -w[1] / w[2]

ordonnée à l'origine = svm_model$rho / w[2]

# Calculer l'ordonnée à l'origine et la stocker dans une variable
intercept_1 <- svm_model$rho / w[2]

Ajoutez la frontière de décision avec la pente et l'ordonnée à l'origine calculées à la diapositive précédente.
Utilisez geom_abline() pour l'ajouter au graphique.

# Tracer la frontière de décision selon la pente et l'ordonnée à l'origine calculées
p <- p + geom_abline(slope = slope_1,
                     intercept = intercept_1)

Marges parallèles à la frontière, décalées de 1 / w[2] de chaque côté.

# Ajouter les marges au graphique
p <- p + 
    geom_abline(slope = slope_1,
                intercept = intercept_1 - 1 / w[2],
                linetype = "dashed") + 
    geom_abline(slope = slope_1,
                intercept = intercept_1 + 1 / w[2],
                linetype = "dashed")
# Afficher le graphique
p

Chapitre 2.2 - données linéairement séparables, noyau linéaire coût par défaut avec vecteurs de support, frontières de décision et de marge

Classifieurs à marge souple

Permettre une incertitude sur l'emplacement et la forme de la frontière
- Jamais parfaitement linéaire
- Souvent inconnue
Notre frontière de décision est linéaire, on peut donc réduire la marge

Visualiser la frontière de décision avec la fonction svm plot()

La fonction plot() de e1071 offre un moyen simple de tracer la frontière de décision.

# Visualiser la frontière de décision avec la fonction de tracé intégrée
plot(x = svm_model,
     data = trainset)

Chapitre 2.2 - jeu de données linéairement séparable, noyau linéaire coût par défaut, tracé avec svm.plot

Passons à la pratique !

Machines à vecteurs de support en R