LinearSVC Unterstützungsvektoren

Einführung

Support Vector Machines (SVM) ist ein beliebiges Machine Learning-Algorithmus, der zur Klassifizierung und Regressionsanalyse verwendet wird. SVM versucht, die beste möglich Grenze zu finden, die verschiedene Klassen von Daten trennt. In diesem Lab werden wir lernen, wie man die Support Vektoren von LinearSVC darstellt.

VM Tipps

Nachdem der VM-Start abgeschlossen ist, klicken Sie in der oberen linken Ecke, um zur Registerkarte Notebook zu wechseln und Jupyter Notebook für die Übung zu öffnen.

Manchmal müssen Sie einige Sekunden warten, bis Jupyter Notebook vollständig geladen ist. Die Validierung von Vorgängen kann aufgrund von Einschränkungen in Jupyter Notebook nicht automatisiert werden.

Wenn Sie bei der Lernphase Probleme haben, können Sie Labby gerne fragen. Geben Sie nach der Sitzung Feedback, und wir werden das Problem für Sie prompt beheben.

Skills Graph

Bibliotheken importieren

Zunächst müssen wir die erforderlichen Bibliotheken für dieses Lab importieren. Wir werden die Bibliotheken NumPy, Matplotlib, make_blobs, LinearSVC und DecisionBoundaryDisplay verwenden.

Daten generieren

Wir werden einige zufällige Daten mit der Funktion make_blobs() aus Scikit-learn generieren. Diese Funktion erzeugt Gaussian Blobs für die Clusteranalyse. Wir werden 40 Proben mit 2 Zentren generieren.

Daten darstellen

Wir werden die generierten Daten mit Matplotlib darstellen. Die scatter()-Funktion wird verwendet, um die Daten zu plotten.

LinearSVC trainieren

Wir werden das LinearSVC-Modell mit zwei verschiedenen Regularisierungsparametern trainieren. Die Hinge-Verlustfunktion wird verwendet, um das Modell zu trainieren. Wir werden die fit()-Funktion verwenden, um das Modell zu trainieren.

Unterstützungsvektoren erhalten

Die Unterstützungsvektoren sind die Proben, die innerhalb der Margengrenzen liegen, deren Größe üblicherweise auf 1 begrenzt ist. Wir können die Unterstützungsvektoren über die Entscheidungsfunktion erhalten. Wir werden die decision_function()-Funktion verwenden, um die Entscheidungsfunktion des Modells zu erhalten. Wir werden dann die Unterstützungsvektoren aus der Entscheidungsfunktion berechnen.

Unterstützungsvektoren darstellen

Wir werden die Unterstützungsvektoren auf dem gleichen Diagramm wie die Daten darstellen. Wir werden die scatter()-Funktion verwenden, um die Unterstützungsvektoren zu plotten.

Entscheidungsgrenze anzeigen

Wir werden die Entscheidungsgrenze auf dem Diagramm anzeigen. Wir werden die DecisionBoundaryDisplay-Klasse verwenden, um die Entscheidungsgrenze anzuzeigen.

Zeige das Diagramm

Schließlich werden wir das Diagramm mit den Unterstützungsvektoren und der Entscheidungsgrenze anzeigen.

Zusammenfassung

In diesem Lab haben wir gelernt, wie man die Unterstützungsvektoren von LinearSVC darstellt. Wir haben die decision_function()-Funktion verwendet, um die Entscheidungsfunktion des Modells zu erhalten und dann die Unterstützungsvektoren aus der Entscheidungsfunktion berechnet. Wir haben auch gelernt, wie man die Entscheidungsgrenze auf dem Diagramm mit der DecisionBoundaryDisplay-Klasse anzeigt.