Dopo aver seguito questi corsi, mi sento sicuro nel creare visualizzazioni e dashboard professionali
Shoebur RahmanSpecialista degli acquisti, Giz Bangladesh
Descrizione del corso
Questo corso introduce un classificatore potente, la support vector machine (SVM), con un approccio intuitivo e visivo. Support Vector Machines in R ti aiuterà a comprendere il modello SVM come classificatore e a fare pratica con l’implementazione libsvm di R dal pacchetto e1071. Lungo il percorso, acquisirai un’intuizione chiara di concetti importanti come hard e soft margin, kernel trick, diversi tipi di kernel e come ottimizzare i parametri delle SVM. Preparati a classificare i dati con questo modello di grande impatto.
Prerequisiti
Programma
Struttura del corso
1
Introduzione
Questo capitolo introduce alcuni concetti chiave delle support vector machines attraverso un semplice esempio monodimensionale. Farai anche la creazione guidata di un insieme di dati linearmente separabile che verrà utilizzato nel capitolo successivo.
- Contenuto di zucchero nelle bibite50 XP
- Visualizzare un insieme di dati sul contenuto di zucchero100 XP
- Identificare i confini decisionali50 XP
- Trova il separatore a margine massimo100 XP
- Visualizza il separatore a margine massimo100 XP
- Generare un insieme di dati linearmente separabile50 XP
- Genera un insieme di dati bidimensionale a distribuzione uniforme.100 XP
- Crea un confine decisionale100 XP
- Introduci un margine nell'insieme di dati100 XP
2
Support Vector Classifiers - Kernel lineari
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.
3
Kernel polinomiali
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.
4
Kernel a funzioni di base radiali
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.
R
Support Vector Machines in R
Corso
completato
