Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Este curso te presentará un clasificador potente, la máquina de vectores de soporte (SVM), con un enfoque intuitivo y visual. Máquinas de Vectores de Soporte en R te ayudará a comprender el modelo SVM como clasificador y a ganar experiencia práctica usando la implementación libsvm de R del paquete e1071. Por el camino, adquirirás una comprensión intuitiva de conceptos clave como márgenes duros y blandos, el kernel trick, distintos tipos de kernels y cómo ajustar los parámetros de SVM. Prepárate para clasificar datos con este modelo tan potente.
Requisitos previos
Programa de formación
Contenido del curso
1
Introducción
Este capítulo presenta algunos conceptos clave de las máquinas de vectores de soporte mediante un ejemplo sencillo de una dimensión. También te guiamos en la creación de un conjunto de datos linealmente separable que se utilizará en el capítulo siguiente.
- Contenido de azúcar en refrescos50 XP
- Visualizar un conjunto de datos de contenido de azúcar100 XP
- Identificar fronteras de decisión50 XP
- Encuentra el separador de margen máximo100 XP
- Visualiza el separador de margen máximo100 XP
- Generar un conjunto de datos linealmente separable50 XP
- Genera un conjunto de datos bidimensional con distribución uniforme.100 XP
- Crea una frontera de decisión100 XP
- Introduce un margen en el conjunto de datos100 XP
2
Clasificadores de Vectores de Soporte: kernels lineales
Presenta los conceptos básicos de las máquinas de vectores de soporte aplicando el algoritmo svm a un conjunto de datos linealmente separable. Los conceptos clave se ilustran con visualizaciones de ggplot construidas a partir de los resultados del algoritmo, y se destaca el papel del parámetro de coste con un ejemplo simple. El capítulo cierra con una sección sobre cómo el algoritmo aborda problemas multiclase.
3
Kernels polinomiales
Introduce los kernels polinomiales mediante un conjunto de datos radialmente separable (es decir, con una frontera de decisión circular). Tras mostrar la insuficiencia de los kernels lineales para este conjunto de datos, verás cómo una transformación sencilla vuelve el problema linealmente separable, lo que motiva una explicación intuitiva del kernel trick. Después aplicarás el kernel polinomial al conjunto de datos y ajustarás el clasificador resultante.
4
Kernels de función de base radial
Amplía los tres capítulos anteriores presentando el kernel de función de base radial (RBF), muy flexible. Crearás un conjunto de datos “complejo” que ponga de manifiesto las limitaciones de los kernels polinomiales. Luego, tras una motivación intuitiva del kernel RBF, verás cómo solventa las carencias de los otros kernels tratados en este curso.
R
Máquinas de Vectores de Soporte en R
Curso
completado
