मल्टीक्लास समस्याएँ

R में Support Vector Machines

Kailash Awati

Instructor

iris डेटासेट - परिचय

5 गुणों के 150 माप
- Petal width और length - number (predictor variables)
- Sepal width और length - number (predictor variables)
- Species - category: setosa, virginica या versicolor (predicted variable)
डेटासेट UCI ML repository से उपलब्ध

iris डेटासेट का विज़ुअलाइज़ेशन

petal length बनाम petal width का प्लॉट करें.

library(ggplot2)

# Plot petal length vs width for dataset, distinguish species by color
p <- ggplot(data = iris,
            aes(x = Petal.Width,
                y = Petal.Length,
                color = Species)) +
     geom_point()

# Display plot
p

अध्याय 2.4 - iris डेटासेट: petal length बनाम petal width, species रंग से अलग दिखे

SVM एल्गोरिदम मल्टीक्लास समस्याओं को कैसे संभालता है?

SVMs मूलतः बाइनरी क्लासिफायर होते हैं.
इन्हें निम्न वोटिंग रणनीति से मल्टीक्लास समस्याओं पर लागू कर सकते हैं:
- डेटा को ऐसे सबसेट्स में बाँटें जिनमें हर बार दो क्लास हों.
- हर सबसेट के लिए बाइनरी क्लासिफिकेशन समस्या हल करें.
- प्रत्येक डेटा पॉइंट को क्लास देने के लिए मेजॉरिटी वोट लें.
इसे one-against-one क्लासिफिकेशन रणनीति कहते हैं.

मल्टीक्लास linear SVM बनाना

iris डेटासेट के लिए एक linear SVM बनाएँ
- 80/20 training/test split (seed 10), default cost

library(e1071)

# Build model
svm_model <- svm(Species ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear")

accuracy निकालें

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

अभ्यास करते हैं!

R में Support Vector Machines