Лінійні опорні вектори (SVM)

Support Vector Machines в R

Kailash Awati

Instructor

Розбиття на тренувальну і тестову вибірки

Набір даних, згенерований у попередньому розділі, у датафреймі df.
Розбийте набір даних на тренувальну і тестову вибірки

Випадковий поділ 80/20

# Set seed for reproducibility
set.seed(1)
# Set the upper bound for the number of rows to be in the training set
sample_size <- floor(0.8 * nrow(df))
# Assign rows to training/test sets randomly in 80/20 proportion
train <- sample(seq_len(nrow(df)), size = sample_size)
# Separate training and test sets
trainset <- df[train, ]
testset <- df[-train, ]

Межі рішення та ядра

Межі рішення можуть мати різну форму – прямі, поліноми чи складніші функції.
Тип межі рішення називається ядром.
Ядро слід вказати заздалегідь.
У цьому розділі зосередимось на лінійних ядрах.

SVM з лінійним ядром

Використаємо функцію svm з бібліотеки e1071.
Функція має кілька параметрів. Ми явно задамо такі:
- formula – формула, що визначає залежну змінну, у нас це y.
- data – датафрейм із даними, тобто trainset.
- type – встановіть C-classification (задача класифікації).
- kernel – форма межі рішення, тут лінійна.
- cost і gamma – параметри для налаштування моделі.
- scale – булевий прапорець, чи масштабувати дані.

Побудова лінійного SVM

Завантажте бібліотеку e1071 і викличте функцію svm()

library(e1071)

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

Огляд моделі

Виведення svm_model дає:
- огляд моделі, зокрема тип класифікації та ядра
- значення параметрів налаштування

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

# Index of support vectors in training dataset
svm_model$index

# Support vectors
svm_model$SV

# Negative intercept (unweighted)
svm_model$rho

# Weighting coefficients for support vectors
svm_model$coefs

4   8  10  11  18  37  38  39  47  59  60  74  76  77  78  80  83 ...

             x1         x2
5   0.519095949 0.44232464

-0.1087075

            [,1]
 [1,]  1.0000000

Отримайте прогноз класів для тренувальної і тестової вибірок.
Оцініть точність моделі на тренуванні та тесті.

# Training accuracy
pred_train <- predict(svm_model, trainset)
mean(pred_train == trainset$y)

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

1
# Ідеально!!

Час потренуватись!

Support Vector Machines в R