Introducción
Las Máquinas de Soporte Vectorial (SVM, por sus siglas en inglés) son un algoritmo de aprendizaje automático popular utilizado para el análisis de clasificación y regresión. Las SVM intentan encontrar el mejor límite posible que separa diferentes clases de datos. En este laboratorio, aprenderemos cómo trazar los vectores de soporte de LinearSVC.
Consejos sobre la VM
Una vez finalizada la inicialización de la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña Cuaderno y acceder a Jupyter Notebook para practicar.
A veces, es posible que tenga que esperar algunos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook.
Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje sus comentarios después de la sesión y lo resolveremos rápidamente para usted.
Importar bibliotecas
En primer lugar, necesitamos importar las bibliotecas necesarias para este laboratorio. Usaremos las bibliotecas NumPy, Matplotlib, make_blobs, LinearSVC y DecisionBoundaryDisplay.
Generar datos
Generaremos algunos datos aleatorios utilizando la función make_blobs() de Scikit-learn. Esta función genera cúmulos gaussianos para el clustering. Generaremos 40 muestras con 2 centros.
Graficar datos
Graficaremos los datos generados utilizando Matplotlib. La función scatter() se utiliza para graficar los datos.
Entrenar LinearSVC
Entrenaremos el modelo LinearSVC con dos diferentes parámetros de regularización. La función de pérdida de bisagra se utiliza para entrenar el modelo. Usaremos la función fit() para entrenar el modelo.
Obtener vectores de soporte
Los vectores de soporte son las muestras que se encuentran dentro de los límites del margen, cuyo tamaño se restringe convencionalmente a 1. Podemos obtener los vectores de soporte a través de la función de decisión. Usaremos la función decision_function() para obtener la función de decisión del modelo. Luego calcularemos los vectores de soporte a partir de la función de decisión.
Graficar vectores de soporte
Graficaremos los vectores de soporte en la misma gráfica que los datos. Usaremos la función scatter() para graficar los vectores de soporte.
Mostrar el límite de decisión
Mostraremos el límite de decisión en la gráfica. Usaremos la clase DecisionBoundaryDisplay para mostrar el límite de decisión.
Mostrar la gráfica
Finalmente, mostraremos la gráfica con los vectores de soporte y el límite de decisión.
Resumen
En este laboratorio, aprendimos cómo graficar los vectores de soporte de LinearSVC. Usamos la función decision_function() para obtener la función de decisión del modelo y luego calculamos los vectores de soporte a partir de la función de decisión. También aprendimos cómo mostrar el límite de decisión en la gráfica usando la clase DecisionBoundaryDisplay.