9.6 Lab: Support Vector Machines

In this lab, we use the sklearn.svm library to demonstrate the support vector classifier and the support vector machine. We import some of our usual libraries.

In [1]:importnumpyasnp
frommatplotlib.pyplotimportsubplots,cm
importsklearn.model_selectionasskm
fromISLPimportload_data,confusion_table

We also collect the new imports needed for this lab.

In [2]:fromsklearn.svmimportSVC
fromISLP.svmimportplotasplot_svm
fromsklearn.metricsimportRocCurveDisplay

We will use the function RocCurveDisplay.from_estimator() to produce RocCurve several ROC plots, using a shorthand roc_curve .

Display.from_
estimator()

In [3]:roc_curve=RocCurveDisplay.from_estimator#shorthand

Sub-Chapters (하위 목차)

9.6.1 Support Vector Classifier (선형 SVC 튜닝 파이썬 실습)

선형 kernel='linear' 환경하에서 비용 C 패널티 속성 cost 파라미터의 그리드 서치(Grid Search CV)를 이용한 최적 마진 폭 튜닝 능력을 배양합니다.

9.6.2 Support Vector Machine (비선형 방사형/다항 커널 SVM 파이썬 테스트)

마름모나 구멍 난 데이터 군집 구조 등에 대해 가우시안 방사상 커널(rbf) 속성을 주입하고 동심원 기반의 경계를 렌더링하는 코드를 짜봅니다.

9.6.3 ROC Curves (ROC 분류 평가 곡면 직접 구현 실습)

훈련된 SVC 모델로부터 클래스 확신 예측 마진 값(decision_function)들을 추출해 파이썬에서 민감도 평가를 위한 2차원 성능 플롯 ROC 커브를 그립니다.

9.6.4 SVM with Multiple Classes (클래스 3개 이상 공간에 대한 파이썬 다중 SVM 지원 스크립트)

클래스 속성을 3종류 이상으로 변형한 관측치 구조를 라이브러리에 입력하여 파이썬 사이킷 툴이 어떻게 OVO 기능을 자가 소화해내는지 확인합니다.

9.6.5 Application to Gene Expression Data (생물 유전자 무제한 차원 발현 데이터 진단 랩)

관측치는 60개인데 유전 피처는 무려 수천 개단위인 초고차원 의료데이터를 로드해 선형 마진분류에 태워도 완벽 예측이 보장되는 SVM의 한계점과 유효 방해물을 관찰합니다.

서브목차