Ядро RBF

Support Vector Machines в R

Kailash Awati

Instructor

RBF-ядро коротко

Спадає зі зростанням відстані між точками в наборі даних.
Імітує алгоритм k-NN.

Розд. 4.3 — ядро RBF — вплив як функція відстані між точками

Побудова SVM з RBF-ядром

Побудуйте SVM з RBF-ядром для складного набору даних

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

Обчисліть точність на train/test і побудуйте графік для тренувального набору.

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

0.93125

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

0.9416667

#plot decision boundary
plot(svm_model, trainset)

Розд. 4.3 — складний набір даних, RBF за умовчанням, графік через svm.plot

Уточнення межі рішення

Налаштуйте gamma і cost за допомогою tune.svm()

# Tune parameters
tune_out <- tune.svm(x = trainset[,-3],
                     y = trainset[,3],
                     gamma = 5 * 10 ^ (-2:2),
                     cost = c(0.01, 0.1, 1, 10, 100),
                     type = "C-classification",
                     kernel = "radial")

Виведіть найкращі параметри

# Print best values of cost and gamma
tune_out$best.parameters$cost

tune_out$best.parameters$gamma

Налаштована модель

Побудуйте налаштовану модель з best.parameters

svm_model <- svm(y ~ ., data = trainset, 
              type = "C-classification", 
              kernel = "radial",
              cost = tune_out$best.parameters$cost,
              gamma = tune_out$best.parameters$gamma)

Обчисліть точність на тесті

mean(pred_test == testset$y)

0.95

Побудуйте межу рішення

plot(svm_model, trainset)

Розд. 4.3 — складний набір даних, налаштоване RBF-ядро, графік через svm.plot

Час попрактикуватися!

Support Vector Machines в R