Problèmes multiclasse
Machines à vecteurs de support en R
Kailash Awati
Instructor
L'ensemble de données iris : introduction
- 150 mesures de 5 attributs
- Largeur et longueur des pétales - nombre (variables prédictives)
- Largeur et longueur des sépales - nombre (variables prédictives)
- Espèce - catégorie : setosa, virginica ou versicolor (variable à prédire)
- Ensemble de données disponible dans le UCI ML repository
Visualiser l'ensemble de données iris
- Tracer la longueur des pétales selon leur largeur.
library(ggplot2)
# Tracer longueur vs largeur des pétales; couleur selon l'espèce
p <- ggplot(data = iris,
aes(x = Petal.Width,
y = Petal.Length,
color = Species)) +
geom_point()
# Afficher le graphique
p
Comment l'algorithme SVM gère-t-il les problèmes multiclasse ?
- Les SVM sont essentiellement des classificateurs binaires.
- Pour les problèmes multiclasse, on utilise la stratégie de vote suivante :
- Diviser les données en sous-ensembles de deux classes.
- Résoudre la classification binaire pour chaque sous-ensemble.
- Attribuer une classe par vote majoritaire à chaque point.
- Appelé stratégie un-contre-un.
Construire un SVM linéaire multiclasse
- Construire un SVM linéaire pour l'ensemble iris
- Répartition entraînement/test 80/20 (graine 10), coût par défaut
library(e1071)
# Construire le modèle
svm_model <- svm(Species ~ .,
data = trainset,
type = "C-classification",
kernel = "linear")
- Calculer la justesse
pred_train <- predict(svm_model, trainset)
mean(pred_train == trainset$Species)
0.9756098
pred_test <- predict(svm_model, testset)
mean(pred_test == testset$Species)
0.962963
Passons à la pratique !
Machines à vecteurs de support en R
