Ajuste de Parâmetros de SVM com Kernel RBF

Introdução

Este laboratório demonstra como ajustar os parâmetros de um kernel de Função de Base Radial (RBF) SVM. Os parâmetros gamma e C do kernel RBF são cruciais para o desempenho do modelo SVM. O objetivo é escolher os valores ótimos destes parâmetros que maximizem a precisão do modelo.

Dicas da Máquina Virtual

Após o arranque da máquina virtual, clique no canto superior esquerdo para mudar para a aba Notebook para aceder ao Jupyter Notebook para a prática.

Por vezes, pode ser necessário esperar alguns segundos para o Jupyter Notebook terminar de carregar. A validação das operações não pode ser automatizada devido a limitações no Jupyter Notebook.

Se tiver problemas durante a aprendizagem, não hesite em contactar o Labby. Forneça feedback após a sessão e resolveremos prontamente o problema para si.

Carregar e Preparar o Conjunto de Dados

• Carregar o conjunto de dados iris do scikit-learn.
• Separar os dados em matriz de características X e vetor alvo y.
• Padronizar a matriz de características X usando StandardScaler.
• Criar uma versão simplificada do conjunto de dados para visualização da função de decisão, mantendo apenas as duas primeiras características em X e subamostragem do conjunto de dados para manter apenas duas classes, transformando-o num problema de classificação binária.

Treinar Classificadores

• Criar uma grade logarítmica dos parâmetros gamma e C usando np.logspace.
• Dividir os dados em conjuntos de treino e teste usando StratifiedShuffleSplit.
• Executar uma busca em grade usando GridSearchCV para encontrar os melhores parâmetros para o modelo SVM.
• Ajustar um classificador para todos os parâmetros na versão 2D.

Visualização

• Visualizar a função de decisão para uma variedade de valores de parâmetros num problema de classificação simplificado envolvendo apenas 2 características de entrada e 2 classes alvo possíveis (classificação binária).
• Visualizar o mapa de calor da precisão de validação cruzada do classificador em função de C e gamma.

Interpretação

• Interpretar os resultados da visualização e escolher os valores ótimos para C e gamma.

Resumo

Este laboratório demonstrou como afinar os parâmetros de um SVM com kernel de Função de Base Radial (RBF). Os parâmetros gamma e C do kernel RBF são cruciais para o desempenho do modelo SVM, e os valores ótimos para estes parâmetros podem ser encontrados usando uma combinação de busca em grade e técnicas de visualização.