Introduction
Les Machines à Vecteurs de Support (SVM) sont un algorithme populaire d'apprentissage automatique utilisé pour l'analyse de classification et de régression. Les SVM cherchent à trouver la meilleure limite possible qui sépare les différentes classes de données. Dans ce laboratoire, nous allons apprendre à tracer les vecteurs de support de LinearSVC.
Conseils sur la machine virtuelle
Une fois le démarrage de la machine virtuelle terminé, cliquez dans le coin supérieur gauche pour basculer vers l'onglet Carnet de notes pour accéder au carnet Jupyter pour la pratique.
Parfois, vous devrez peut-être attendre quelques secondes pour que le carnet Jupyter ait fini de charger. La validation des opérations ne peut pas être automatisée en raison des limitations du carnet Jupyter.
Si vous rencontrez des problèmes pendant l'apprentissage, n'hésitez pas à demander à Labby. Donnez votre feedback après la session, et nous résoudrons rapidement le problème pour vous.
Importation des bibliothèques
Tout d'abord, nous devons importer les bibliothèques nécessaires pour ce laboratoire. Nous utiliserons les bibliothèques NumPy, Matplotlib, make_blobs, LinearSVC et DecisionBoundaryDisplay.
Générer des données
Nous allons générer des données aléatoires en utilisant la fonction make_blobs() de Scikit-learn. Cette fonction génère des grappes gaussiennes pour le regroupement. Nous allons générer 40 échantillons avec 2 centres.
Tracer les données
Nous allons tracer les données générées à l'aide de Matplotlib. La fonction scatter() est utilisée pour tracer les données.
Entraîner LinearSVC
Nous allons entraîner le modèle LinearSVC avec deux paramètres de régularisation différents. La fonction de perte de charnière est utilisée pour entraîner le modèle. Nous utiliserons la fonction fit() pour entraîner le modèle.
Obtenir les vecteurs de support
Les vecteurs de support sont les échantillons qui se trouvent à l'intérieur des limites de marge, dont la taille est conventionnellement limitée à 1. Nous pouvons obtenir les vecteurs de support à travers la fonction de décision. Nous utiliserons la fonction decision_function() pour obtenir la fonction de décision du modèle. Nous calculerons ensuite les vecteurs de support à partir de la fonction de décision.
Tracer les vecteurs de support
Nous allons tracer les vecteurs de support sur le même graphique que les données. Nous utiliserons la fonction scatter() pour tracer les vecteurs de support.
Afficher la frontière de décision
Nous allons afficher la frontière de décision sur le graphique. Nous utiliserons la classe DecisionBoundaryDisplay pour afficher la frontière de décision.
Afficher le graphique
Enfin, nous afficherons le graphique avec les vecteurs de support et la frontière de décision.
Sommaire
Dans ce laboratoire, nous avons appris à tracer les vecteurs de support de LinearSVC. Nous avons utilisé la fonction decision_function() pour obtenir la fonction de décision du modèle puis calculé les vecteurs de support à partir de la fonction de décision. Nous avons également appris à afficher la frontière de décision sur le graphique à l'aide de la classe DecisionBoundaryDisplay.