Finjustering av linjära SVM:er

Support Vector Machines i R

Kailash Awati

Instructor

Linjär SVM, standardkostnad

library(e1071)
svm_model <- svm(y ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear", 
                scale = FALSE)
# Print model summary
svm_model

Call:
svm(formula = y ~ .,
    data = trainset,
    type = "C-classification", 
    kernel = "linear",
    scale = FALSE)

Parameters:
SVM-Type:  C-classification 
 SVM-Kernel:  linear 
       cost:  1 
      gamma:  0.5 
Number of Support Vectors:  55

Kapitel 2.3 – linjärt separerbart dataset, linjär kärna med standardkostnad, stödvektorer samt besluts- och marginalgränser

Linjär SVM med cost = 100

library(e1071)
svm_model <- svm(y ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear", 
                cost = 100,
                scale = FALSE)
# Print model summary
svm_model

Call:
svm(formula = y ~ .,
    data = trainset,
    type = "C-classification", 
    kernel = "linear",
    cost = 100,
    scale = FALSE)

Parameters:
SVM-Type:  C-classification 
 SVM-Kernel:  linear 
       cost:  100 
      gamma:  0.5 
Number of Support Vectors:  6

Kapitel 2.3 – linjärt separerbart data, linjär kärna med cost = 100, stödvektorer samt besluts- och markinalgränser

Konsekvens

Kan vara användbart att minska marginalen om beslutsgränsen är känd att vara linjär
...men det är sällan fallet i praktiken

Kapitel 2.3 – icke-linjärt separerbart dataset

Icke-linjärt dataset, linjär SVM (cost = 100)

Bygg en modell med cost=100 på träningsdata bestående av 80 % av datan

# Build model
library(e1071)
svm_model<- svm(y ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear", 
                cost = 100,
                scale = FALSE)

Beräkna noggrannhet

# Train and test accuracy
pred_train <- predict(svm_model, trainset)
mean(pred_train == trainset$y)

0.8208333

pred_test <- predict(svm_model, testset)
mean(pred_test == testset$y)

0.85

Genomsnittlig testnoggrannhet över 50 slumpmässiga tränings-/testuppdelningar: 82,9 %

Kapitel 2.3 – icke-linjärt separerbart dataset, linjär kärna med cost=100, stödvektorer samt besluts- och markinalgränser

Icke-linjärt dataset, linjär SVM (cost = 1)

Bygg om modellen med cost = 1

# Trainset contains 80% of data
# Same train/test split as before.
# Build model
svm_model <- svm(y ~ ., 
                data = trainset, 
                type = "C-classification", 
                kernel = "linear", 
                cost = 1,
                scale = FALSE)

Beräkna testnoggrannhet

# Test accuracy
pred_test <- predict(svm_model, testset)
mean(pred_test == testset$y)

0.8666667

Genomsnittlig testnoggrannhet över 50 slumpmässiga tränings-/testuppdelningar: 83,7 %

Kapitel 2.3 – icke-linjärt separerbart dataset, linjär kärna med cost=1, stödvektorer samt besluts- och markinalgränser

Nu kör vi en övning!

Support Vector Machines i R