R ile Support Vector Machines

Öğrencileri, doğrusal olarak ayrılabilir bir veri kümesine svm algoritmasını uygulayarak support vector machines’in temel kavramlarıyla tanıştırır. Temel kavramlar, algoritmanın çıktılarından oluşturulan ggplot görselleştirmeleriyle örneklenir ve cost parametresinin rolü basit bir örnekle vurgulanır. Bölüm, algoritmanın çok sınıflı problemlerle nasıl başa çıktığını anlatan bir kısımla sonlanır.

Dairesel bir karar sınırına sahip, radyal olarak ayrılabilir bir veri kümesi üzerinden polinom kernel’lere giriş sunar. Bu veri kümesi için lineer kernel’lerin yetersizliğini gösterdikten sonra, basit bir dönüşümün problemi doğrusal olarak ayrılabilir hale getirdiğini görecek ve böylece kernel hilesine dair sezgisel bir tartışma için motivasyon sağlanacaktır. Ardından öğrenciler, veri kümesine polinom kernel’i uygulayıp ortaya çıkan sınıflandırıcıyı ayarlayacak (tune)lardır.

Önceki üç bölümün üzerine, son derece esnek Radyal Taban Fonksiyonu (RBF) kernel’ini tanıtarak inşa eder. Öğrenciler, polinom kernel’lerin sınırlamalarını ortaya koyan “karmaşık” bir veri kümesi oluşturacak. Ardından, RBF kernel’ine yönelik sezgisel bir motivasyonu takiben, bu kernel’in kursta tartışılan diğer kernel’lerin eksik kaldığı noktaları nasıl giderdiğini göreceksin.