はじめに
この実験では、放射状基底関数 (RBF) カーネル SVM のパラメータを調整する方法を示します。RBF カーネルの gamma と C パラメータは、SVM モデルの性能にとって重要です。目的は、モデルの精度を最大化するこれらのパラメータの最適値を選ぶことです。
VM のヒント
VM の起動が完了したら、左上隅をクリックして ノートブック タブに切り替え、Jupyter Notebook を使って練習しましょう。
Jupyter Notebook の読み込みには数秒かかる場合があります。Jupyter Notebook の制限により、操作の検証を自動化することはできません。
学習中に問題がある場合は、Labby にお問い合わせください。セッション後にフィードバックを提供してください。すぐに問題を解決いたします。
データセットの読み込みと準備
- scikit-learn から iris データセットを読み込む。
- データを特徴量行列
Xと目的ベクトルyに分離する。 StandardScalerを使って特徴量行列Xを標準化する。Xの最初の 2 つの特徴量のみを残し、データセットをサブサンプリングして 2 つのクラスのみを残し、2 値分類問題にすることで、決定関数の可視化のためのデータセットの簡略化バージョンを作成する。
分類器を学習する
np.logspaceを使って、gammaとCパラメータの対数グリッドを作成する。StratifiedShuffleSplitを使って、データを学習用とテスト用に分割する。GridSearchCVを使ってグリッドサーチを行い、SVM モデルの最適なパラメータを見つける。- 2D バージョンのすべてのパラメータに対して分類器をフィットさせる。
可視化
- 入力特徴量が 2 つで目的クラスが 2 つの単純化された分類問題（2 値分類）において、さまざまなパラメータ値に対する決定関数を可視化する。
Cとgammaの関数としての分類器の交差検証精度のヒートマップを可視化する。
解釈
- 可視化の結果を解釈し、
Cとgammaの最適値を選ぶ。
まとめ
この実験では、放射基底関数 (RBF) カーネル SVM のパラメータを調整する方法を示しました。RBF カーネルの gamma と C パラメータは、SVM モデルの性能にとって重要であり、グリッドサーチと可視化技術の組み合わせを使ってこれらのパラメータの最適値を見つけることができます。