Багатокласові задачі

Support Vector Machines в R

Kailash Awati

Instructor

Набір даних iris — вступ

150 вимірювань 5 атрибутів
- Ширина й довжина пелюстки — число (прогнозувальні змінні)
- Ширина й довжина чашолистка — число (прогнозувальні змінні)
- Вид — категорія: setosa, virginica або versicolor (цільова змінна)
Набір даних доступний у UCI ML repository

Візуалізація набору iris

Побудуйте графік: довжина пелюстки проти ширини пелюстки.

library(ggplot2)

# Побудуйте довжину пелюстки vs ширину для набору; розрізняйте види кольором
p <- ggplot(data = iris,
            aes(x = Petal.Width,
                y = Petal.Length,
                color = Species)) +
     geom_point()

# Показати графік
p

Розділ 2.4 — набір iris: довжина пелюстки проти ширини, види позначені кольором

Як алгоритм SVM працює з багатокласовими задачами?

SVM — по суті бінарні класифікатори.
Їх можна застосувати до багатокласових задач зі стратегією голосування:
- Розбийте дані на підмножини з двома класами.
- Розв'яжіть бінарну класифікацію для кожної підмножини.
- Використайте більшість голосів, щоб призначити клас кожній точці.
Це називається стратегією one-against-one.

Побудова багатокласового лінійного SVM

Побудуйте лінійний SVM для набору iris
- Розбиття 80/20 на тренування/тест (seed 10), вартість за замовчуванням

library(e1071)

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

Обчисліть точність

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

Час практики!

Support Vector Machines в R