Build your ultimate AI agent
Description du cours
Ce cours présente un classifieur puissant, la machine à vecteurs de support (SVM), avec une approche intuitive et visuelle. Machines à vecteurs de support en R vous aidera à comprendre le modèle SVM en tant que classifieur et à acquérir une expérience pratique avec l’implémentation libsvm de R issue du package e1071. Au passage, vous développerez une intuition solide sur des notions clés comme les marges « dures » et « souples », l’astuce du noyau (kernel trick), les différents types de noyaux, et la manière d’ajuster les hyperparamètres d’un SVM. Préparez-vous à classer des données avec ce modèle impressionnant.
Prérequis
Programme de formation
Plan du cours
1
Introduction
Ce chapitre présente des concepts clés des machines à vecteurs de support au moyen d’un exemple simple à une dimension. Vous serez également guidé pas à pas pour créer un jeu de données linéairement séparables qui sera utilisé au chapitre suivant.
- Teneur en sucre des sodas50 XP
- Visualiser un jeu de données sur la teneur en sucre100 XP
- Identifier les frontières de décision50 XP
- Trouver le séparateur à marge maximale100 XP
- Visualiser le séparateur à marge maximale100 XP
- Générer un jeu de données linéairement séparable50 XP
- Générer un jeu de données bidimensionnel à distribution uniforme.100 XP
- Créer une frontière de décision100 XP
- Introduire une marge dans le jeu de données100 XP
2
Classifieurs à vecteurs de support – Noyaux linéaires
Présente les notions de base des machines à vecteurs de support en appliquant l’algorithme svm à un jeu de données linéairement séparables. Les concepts essentiels sont illustrés par des visualisations ggplot construites à partir des sorties de l’algorithme, et le rôle du paramètre de coût est mis en avant via un exemple simple. Le chapitre se termine par une section sur la manière dont l’algorithme gère les problèmes multiclasse.
3
Noyaux polynomiaux
Propose une introduction aux noyaux polynomiaux à partir d’un jeu de données radialement séparables (c’est-à-dire avec une frontière de décision circulaire). Après avoir montré l’insuffisance des noyaux linéaires pour ce jeu de données, vous verrez comment une transformation simple rend le problème linéairement séparable, ce qui motive une explication intuitive de l’astuce du noyau. Vous appliquerez ensuite le noyau polynomial au jeu de données et réglerez le classifieur obtenu.
4
Noyaux à fonction de base radiale
S’appuie sur les trois chapitres précédents pour présenter le noyau à fonction de base radiale (RBF), très flexible. Vous créerez un jeu de données « complexe » qui met en évidence les limites des noyaux polynomiaux. Puis, après une motivation intuitive du noyau RBF, vous verrez comment il corrige les insuffisances des autres noyaux abordés dans ce cours.
R
Machines à vecteurs de support en R
Cours
terminé
