Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Dieser Kurs führt dich mit einem anschaulichen, visuellen Ansatz in einen leistungsstarken Klassifikator ein: die Support Vector Machine (SVM). Support Vector Machines in R hilft dir, das SVM-Modell als Klassifikator zu verstehen und praktische Erfahrung mit Rs libsvm-Implementierung aus dem e1071-Paket zu sammeln. Dabei erhältst du ein intuitives Verständnis wichtiger Konzepte wie harte und weiche Margins, den Kernel-Trick, verschiedene Kernel-Typen und das Tuning von SVM-Parametern. Mach dich bereit, Daten mit diesem beeindruckenden Modell zu klassifizieren.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einführung
In diesem Kapitel lernst du zentrale Konzepte von Support Vector Machines anhand eines einfachen eindimensionalen Beispiels kennen. Außerdem erstellst du einen linear separierbaren Datensatz, der im nächsten Kapitel verwendet wird.
- Zuckergehalt von Erfrischungsgetränken50 XP
- Visualisierung eines Datensatzes zum Zuckergehalt100 XP
- Entscheidungsgrenzen erkennen50 XP
- Finde den Maximalmargen-Separator100 XP
- Den Separator mit maximalem Rand visualisieren100 XP
- Einen linear trennbaren Datensatz erzeugen50 XP
- Erzeuge einen zweidimensional gleichverteilten Datensatz.100 XP
- Erzeuge eine Entscheidungsgrenze100 XP
- Füge dem Datensatz einen Margin hinzu100 XP
2
Support-Vector-Klassifikatoren – lineare Kernel
Dieses Kapitel führt dich in die Grundkonzepte von Support Vector Machines ein, indem der svm-Algorithmus auf einen linear separierbaren Datensatz angewandt wird. Zentrale Ideen werden mit ggplot-Visualisierungen veranschaulicht, die auf den Ausgaben des Algorithmus basieren, und die Rolle des Kostenparameters wird an einem einfachen Beispiel hervorgehoben. Das Kapitel schließt mit einem Abschnitt darüber, wie der Algorithmus mit Multiclass-Problemen umgeht.
3
Polynomielle Kernel
Dieses Kapitel führt polynomielle Kernel anhand eines radial separierbaren Datensatzes ein (d. h. mit einer kreisförmigen Entscheidungsgrenze). Nachdem gezeigt wurde, dass lineare Kernel für diesen Datensatz unzureichend sind, siehst du, wie eine einfache Transformation das Problem linear separierbar macht und so eine intuitive Diskussion des Kernel-Tricks motiviert. Anschließend wendest du den polynomialen Kernel auf den Datensatz an und stimmst den resultierenden Klassifikator ab.
4
Radial-Basisfunktions-Kernel
Aufbauend auf den ersten drei Kapiteln lernst du den sehr flexiblen Radial-Basisfunktions-(RBF)-Kernel kennen. Du erstellst einen „komplexen“ Datensatz, der die Grenzen polynomialer Kernel aufzeigt. Danach siehst du – ausgehend von einer intuitiven Motivation für den RBF-Kernel –, wie er die Schwächen der anderen in diesem Kurs behandelten Kernel adressiert.
R
Support Vector Machines in R
Kurs
abgeschlossen
