Classificação de Dados com Kernel SVM

Introdução

Este laboratório fornece um guia passo a passo sobre como usar núcleos SVM para classificar pontos de dados. Os núcleos SVM são especialmente úteis quando os pontos de dados não são linearmente separáveis. Usaremos a biblioteca Python scikit-learn para realizar esta tarefa.

Dicas da Máquina Virtual

Após o arranque da VM, 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 o aprendizado, não hesite em contactar o Labby. Forneça feedback após a sessão e resolveremos o problema rapidamente para si.

Importar Bibliotecas

Neste passo, importamos as bibliotecas necessárias para realizar a tarefa de classificação.

import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm

Criar Conjunto de Dados e Alvos

Neste passo, criaremos um conjunto de dados e alvos para a nossa tarefa de classificação. Usaremos a biblioteca numpy para criar o conjunto de dados e os alvos.

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] * 8

Criar o Modelo

Neste passo, criaremos o modelo SVM-Kernel com três núcleos diferentes: linear, polinomial e de função de base radial (RBF). O núcleo linear é usado para pontos de dados linearmente separáveis, enquanto os núcleos polinomial e RBF são úteis para pontos de dados não linearmente separáveis.

## ajustar o modelo
for kernel in ("linear", "poly", "rbf"):
    clf = svm.SVC(kernel=kernel, gamma=2)
    clf.fit(X, Y)

Visualizar o Modelo

Neste passo, visualizaremos o modelo SVM-Kernel traçando a linha, os pontos e os vetores mais próximos do plano.

    ## plotar a linha, os pontos e os vetores mais próximos do plano
    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()])

    ## Colocar o resultado num gráfico de cores
    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()

Resumo

Neste laboratório, aprendemos a utilizar SVM-Kernels para classificar pontos de dados. Criámos um conjunto de dados e alvos, criámos o modelo SVM-Kernel com três núcleos diferentes e visualizámos o modelo. Os SVM-Kernels são particularmente úteis quando os pontos de dados não são linearmente separáveis.