Support Vector Machines in R

Introduce i concetti di base delle support vector machines applicando l’algoritmo svm a un insieme di dati linearmente separabile. I concetti chiave sono illustrati con visualizzazioni ggplot costruite a partire dai risultati dell’algoritmo e il ruolo del parametro di costo è messo in evidenza con un esempio semplice. Il capitolo si chiude con una sezione su come l’algoritmo gestisce i problemi multiclasse.

Offre un’introduzione ai kernel polinomiali tramite un insieme di dati radialmente separabile (cioè con un confine decisionale circolare). Dopo aver mostrato l’inadeguatezza dei kernel lineari per questo insieme di dati, vedrai come una semplice trasformazione renda il problema linearmente separabile, motivando così una discussione intuitiva del kernel trick. Quindi applicherai il kernel polinomiale all’insieme di dati e ottimizzerai il classificatore risultante.

Si basa sui tre capitoli precedenti introducendo il kernel Radial Basis Function (RBF), altamente flessibile. Creerai un insieme di dati “complesso” che mette in luce i limiti dei kernel polinomiali. Poi, a partire da una motivazione intuitiva per il kernel RBF, vedrai come affronta le carenze degli altri kernel discussi in questo corso.