이 실습에서는 SVM 커널을 사용하여 데이터 포인트를 분류하는 단계별 가이드를 제공합니다. SVM 커널은 데이터 포인트가 선형적으로 분리되지 않을 때 특히 유용합니다. 이 작업을 수행하기 위해 Python scikit-learn 을 사용할 것입니다.
VM 시작이 완료되면 왼쪽 상단 모서리를 클릭하여 Notebook 탭으로 전환하여 연습을 위한 Jupyter Notebook에 접근합니다.
때때로 Jupyter Notebook 이 완전히 로드되기까지 몇 초 정도 기다려야 할 수 있습니다. Jupyter Notebook 의 제한으로 인해 작업의 유효성 검사를 자동화할 수 없습니다.
학습 중 문제가 발생하면 Labby 에 문의하십시오. 세션 후 피드백을 제공하면 문제를 신속하게 해결해 드리겠습니다.
이 단계에서는 분류 작업을 수행하기 위한 필요한 라이브러리를 가져옵니다.
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm이 단계에서는 분류 작업을 위한 데이터셋과 타겟을 생성합니다. numpy 라이브러리를 사용하여 데이터셋과 타겟을 생성합니다.
X = np.c_[
(0.4, -0.7),
(-1.5, -1),
(-1.4, -0.9),
(-1.3, -1.2),
(-1.1, -0.2),
(-1.2, -0.4),
(-0.5, 1.2),
(-1.5, 2.1),
(1, 1),
## --
(1.3, 0.8),
(1.2, 0.5),
(0.2, -2),
(0.5, -2.4),
(0.2, -2.3),
(0, -2.7),
(1.3, 2.1),
].T
Y = [0] * 8 + [1] * 8이 단계에서는 선형, 다항식, 그리고 방사 기저 함수 (RBF) 세 가지 다른 커널을 사용하는 SVM 모델을 생성합니다. 선형 커널은 선형적으로 분리 가능한 데이터 포인트에 사용되며, 다항식 및 RBF 커널은 비선형적으로 분리 가능한 데이터 포인트에 유용합니다.
## 모델 학습
for kernel in ("linear", "poly", "rbf"):
clf = svm.SVC(kernel=kernel, gamma=2)
clf.fit(X, Y)이 단계에서는 SVM 커널 모델을 시각화하여 직선, 점, 그리고 평면에 가장 가까운 벡터들을 플롯합니다.
## 직선, 점, 평면에 가장 가까운 벡터들을 플롯합니다.
plt.figure(fignum, figsize=(4, 3))
plt.clf()
plt.scatter(
clf.support_vectors_[:, 0],
clf.support_vectors_[:, 1],
s=80,
facecolors="none",
zorder=10,
edgecolors="k",
)
plt.scatter(X[:, 0], X[:, 1], c=Y, zorder=10, cmap=plt.cm.Paired, edgecolors="k")
plt.axis("tight")
x_min = -3
x_max = 3
y_min = -3
y_max = 3
XX, YY = np.mgrid[x_min:x_max:200j, y_min:y_max:200j]
Z = clf.decision_function(np.c_[XX.ravel(), YY.ravel()])
## 결과를 색상 플롯으로 표시합니다.
Z = Z.reshape(XX.shape)
plt.figure(fignum, figsize=(4, 3))
plt.pcolormesh(XX, YY, Z > 0, cmap=plt.cm.Paired)
plt.contour(
XX,
YY,
Z,
colors=["k", "k", "k"],
linestyles=["--", "-", "--"],
levels=[-0.5, 0, 0.5],
)
plt.xlim(x_min, x_max)
plt.ylim(y_min, y_max)
plt.xticks(())
plt.yticks(())
fignum = fignum + 1
plt.show()이 실험에서는 데이터 포인트를 분류하기 위해 SVM 커널을 사용하는 방법을 배웠습니다. 데이터 세트와 목표를 생성하고, 세 가지 다른 커널을 사용하여 SVM 커널 모델을 만들었으며, 모델을 시각화했습니다. SVM 커널은 데이터 포인트가 선형적으로 분리되지 않을 때 특히 유용합니다.