Support Vector Machines in R

Maakt je vertrouwd met de basisconcepten van support vector machines door het svm-algoritme toe te passen op een lineair scheidbare gegevensset. Belangrijke concepten worden geïllustreerd met ggplot-visualisaties die zijn opgebouwd uit de resultaten van het algoritme, en de rol van de cost-parameter wordt uitgelicht met een eenvoudig voorbeeld. Het hoofdstuk sluit af met een sectie over hoe het algoritme met multiclass-problemen omgaat.

Biedt een introductie tot polynomiale kernels via een radiaal scheidbare gegevensset (dus met een cirkelvormige beslissingsgrens). Nadat is laten zien dat lineaire kernels voor deze gegevensset tekortschieten, zie je hoe een eenvoudige transformatie het probleem lineair scheidbaar maakt, wat motiveert tot een intuïtieve bespreking van de kernel-truc. Vervolgens pas je de polynomiale kernel toe op de gegevensset en stem je de resulterende classifier af.

Bouwt voort op de vorige drie hoofdstukken door de zeer flexibele Radial Basis Function (RBF)-kernel te introduceren. Je maakt een "complexe" gegevensset die de beperkingen van polynomiale kernels blootlegt. Daarna, na een intuïtieve motivatie voor de RBF-kernel, zie je hoe deze de tekortkomingen van de andere kernels in deze cursus aanpakt.