{{indexmenu_n>9}}

<timer 2000-01-01 00:00:01=2017-11-30 12:45:00>
Obsah této stránky bude přístupný od 30. 11. 2017.
</timer>

<timer 2017-11-30 12:45:01=->

====== Cvičení 9 - SVM klasifikátor ======

Test: https://goo.gl/forms/TZUG2VN64nJuhJ1s2

===== Opakování =====
    * support vectors
    * kernel
    * princip metody SVM 

===== Klasifikátor SVM a data =====

**Instalace balíčku s funkcí svm()**
<code>
install.packages("e1071")
library(e1071)
</code>

===== Demonstrace fungování klasifikátoru SVM I.=====

Nejprve si vyzkoušejte na podmnožině iris dat fungování SVM klasifikátoru - příklad převzat z knihy: Yu-Wei, Chiu: Machine Learning with R Cookbook, Packt, 2015 - [[https://www.r-bloggers.com/review-machine-learning-with-r-cookbook/|Book review]]

Načtení iris dat a jejich úprava
<code>
# načtení iris dat
data(iris)

# podmnožina dat a její vykreslení
iris.subset = subset(iris, select=c("Sepal.Length", "Sepal.Width", "Species"), Species %in% c("setosa","virginica"))
plot(x=iris.subset$Sepal.Length,y=iris.subset$Sepal.Width,col=iris.subset$Species, pch=19)
</code>

<code>
svm.model = svm(Species ~ ., data=iris.subset, kernel='linear',cost=1, scale=FALSE)

plot(x=iris.subset$Sepal.Length,y=iris.subset$Sepal.Width, col=iris.subset$Species, pch=19)
points(iris.subset[svm.model$index,c(1,2)],col="blue",cex=2)

w = t(svm.model$coefs) %*% svm.model$SV
b = -svm.model$rho
abline(a=-b/w[1,2], b=-w[1,1]/w[1,2], col="red", lty=5)
</code>

**Úkoly:**
  * Zopakujte učení a vykreslení prozkoumejte vliv parametru ''cost''.  
  * Jaký vliv bude mít parametr ''cost'' na míru přeučení algoritmu?
  * Jakým postupem byste volili velikost parametru ''cost'' během učení klasifikátoru?
  * Vyzkoušejte SVM klasifikátor na datech z minulého cvičení - rozpoznávání číslic.

<code>
# tune
tuned = tune.svm(Species ~ ., data=iris.subset, cost = 10^(1:4), gamma = 10^(-6:-1))
summary(tuned)

svm.model.tuned = svm(Species ~ ., data=iris.subset, kernel='linear', cost=?, scale=FALSE)
plot(x=iris.subset$Sepal.Length,y=iris.subset$Sepal.Width, col=iris.subset$Species, pch=19)
points(iris.subset[svm.model.tuned$index,c(1,2)],col="blue",cex=2)
w = t(svm.model.tuned$coefs) %*% svm.model.tuned$SV
b = -svm.model.tuned$rho
abline(a=-b/w[1,2], b=-w[1,1]/w[1,2], col="red", lty=5)
</code>
===== Demonstrace fungování klasifikátoru SVM II. =====

Ve druhém příkladu si ukážeme fungování klasifikátoru na datech s kruhem a jeho okolím.

Začneme přípravou dat s kruhem. Naimportujte data {{courses:a6m33dvz:cviceni:empty.csv.txt|empty.csv}} jako v tomto případě ''kruh''. Data obsahují náhodně vygenerované body ve čtverci o velikosti strany 1.
<code>
# úprava dat na kruh a jeho okolí
kruh$class <- 0 #pro jistotu
kruh$class[(kruh$a-0.3)^2+(kruh$b-0.5)^2<0.04] <- 1
kruh$class <- as.factor(kruh$class)
plot(kruh$a, kruh$b, col=kruh$class)
</code>

Naučte SVM klasifikátor  

<code>
m <- svm(class ~ ., data=kruh, kernel='radial',cost=2)
# kontingenční tabulka
table(m$fitted, kruh$class, dnn = c("m", "kruh"))
# vykreslení chybně klasifikovaných bodů
kruh.pred <- kruh[m$fitted != kruh$class,]
par(mfrow = c(1,2))
plot(kruh$a, kruh$b, col=kruh$class)
plot(kruh.pred$a, kruh.pred$b, pch=19, xlim=c(0,1), ylim=c(0,1))
</code>

**Úkoly:** 
  * Zkuste u klasifikátoru měnit parametr ''cost''= 1,1.3,2,5 a parametr ''kernel''="linear".
  * Vytvořte vlastní data a naučte klasifikátor SVM.

</timer>