Introdução
Este laboratório guiará você pelo processo de classificação binária usando Máquinas de Vetores de Suporte (SVM) não-lineares com o kernel de Função de Base Radial (RBF). O alvo a prever é um XOR das entradas. O mapa de cores ilustra a função de decisão aprendida pelo SVM. Usaremos a biblioteca Python scikit-learn para esta tarefa.
Dicas da Máquina Virtual
Após o término da inicialização da máquina virtual, clique no canto superior esquerdo para mudar para a aba Notebook para acessar o Jupyter Notebook para praticar.
Às vezes, pode ser necessário aguardar alguns segundos para que o Jupyter Notebook termine de carregar. A validação das operações não pode ser automatizada devido a limitações no Jupyter Notebook.
Se você enfrentar problemas durante o aprendizado, sinta-se à vontade para perguntar ao Labby. Forneça feedback após a sessão e resolveremos prontamente o problema para você.
Importação de Bibliotecas Necessárias
Neste passo, importamos as bibliotecas necessárias para esta tarefa. Usaremos o numpy e o matplotlib para visualização de dados, e o scikit-learn para classificação SVM.
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm
Gerar Dados
Neste passo, geraremos os dados para treinar e testar o classificador SVM. Geraremos 300 pontos de dados aleatórios com duas características. O alvo a prever é um XOR das entradas.
np.random.seed(0)
X = np.random.randn(300, 2)
Y = np.logical_xor(X[:, 0] > 0, X[:, 1] > 0)
Treinar o Modelo
Neste passo, treinaremos o classificador SVM com o kernel RBF utilizando os dados gerados.
clf = svm.NuSVC(gamma="auto")
clf.fit(X, Y)
Visualizar a Função de Decisão
Neste passo, visualizaremos a função de decisão aprendida pelo SVM. Criaremos uma malha de pontos e usaremos o classificador SVM para prever a classe de cada ponto. Em seguida, plotaremos os pontos com suas respectivas classes e o limite de decisão aprendido pelo SVM.
xx, yy = np.meshgrid(np.linspace(-3, 3, 500), np.linspace(-3, 3, 500))
Z = clf.decision_function(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.imshow(
Z,
interpolation="nearest",
extent=(xx.min(), xx.max(), yy.min(), yy.max()),
aspect="auto",
origin="lower",
cmap=plt.cm.PuOr_r,
)
contours = plt.contour(xx, yy, Z, levels=[0], linewidths=2, linestyles="dashed")
plt.scatter(X[:, 0], X[:, 1], s=30, c=Y, cmap=plt.cm.Paired, edgecolors="k")
plt.xticks(())
plt.yticks(())
plt.axis([-3, 3, -3, 3])
plt.show()
Resumo
Neste laboratório, aprendemos como realizar classificação binária utilizando SVM não-linear com kernel RBF. Geramos dados com duas características e um alvo XOR para prever. Treinamos o classificador SVM usando os dados gerados e visualizamos a função de decisão aprendida pelo SVM.