Réglage des paramètres de l'SVM à noyau RBF

Introduction

Ce laboratoire montre comment ajuster les paramètres d'un SVM à noyau de fonction radiale (RBF). Les paramètres gamma et C du noyau RBF sont essentiels pour les performances du modèle SVM. L'objectif est de choisir les valeurs optimales de ces paramètres qui maximisent la précision du modèle.

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 à Jupyter Notebook pour pratiquer.

Parfois, vous devrez peut-être attendre quelques secondes pour que Jupyter Notebook ait fini de charger. La validation des opérations ne peut pas être automatisée en raison des limitations de Jupyter Notebook.

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.

Charger et préparer l'ensemble de données

• Charger l'ensemble de données iris à partir de scikit-learn.
• Séparer les données en matrice de caractéristiques X et vecteur cible y.
• Standardiser la matrice de caractéristiques X à l'aide de StandardScaler.
• Créer une version simplifiée de l'ensemble de données pour la visualisation de la fonction de décision en ne conservant que les deux premières caractéristiques dans X et en sous-échantillonnant l'ensemble de données pour ne conserver que deux classes et en le transformant en un problème de classification binaire.

Entraîner des classifieurs

• Créer une grille logarithmique des paramètres gamma et C à l'aide de np.logspace.
• Diviser les données en ensembles d'entraînement et de test à l'aide de StratifiedShuffleSplit.
• Effectuer une recherche de grille à l'aide de GridSearchCV pour trouver les meilleurs paramètres pour le modèle SVM.
• Ajuster un classifieur pour tous les paramètres dans la version 2D.

Visualisation

• Visualiser la fonction de décision pour diverses valeurs de paramètres dans un problème de classification simplifié ne comportant que 2 caractéristiques d'entrée et 2 classes cibles possibles (classification binaire).
• Visualiser la heatmap de la précision de validation croisée du classifieur en fonction de C et gamma.

Interprétation

• Interpréter les résultats de la visualisation et choisir les valeurs optimales pour C et gamma.

Sommaire

Ce laboratoire a démontré comment ajuster les paramètres d'un SVM à noyau Fonction de base radiale (RBF). Les paramètres gamma et C du noyau RBF sont essentiels pour les performances du modèle SVM, et les valeurs optimales de ces paramètres peuvent être trouvées en utilisant une combinaison de techniques de recherche de grille et de visualisation.