No se visualiza el límite de decisión del gráfico SVM en R.
Soy un traductor de documentos de IT en español. Traduzca lo siguiente al español. No traduzca el código y la salida en markdown
Soy nuevo utilizando SVM en r. Estoy haciendo un análisis en un conjunto de datos de cáncer de mama y me gustaría trazar la frontera de decisión en dos de las características. pero la frontera no se muestra donde se supone que debe mostrar. El siguiente es el código:
set.seed (134)
fitc = trainControl (método = "cv", número = 10, búsqueda = "aleatoria", savePredictions = T)
modfitsvm = train (diagnostico ~., Datos = trainset, método = "svmLinear", trControl = fitc, tuneLength = 10)
trama(modfitsvm)
bestmod = svm (diagnóstico ~., Datos = trainset, kernel = "linear", cost = 0.18)
<h1>error de datos de entrenamiento</h1>
svm.ytrain <- trainset $diagnóstico
svm.predy <- predecir (bestmod, trainset)
media (svm.ytrain! = svm.predy)
<h1>error de datos de prueba</h1>
svm.ytest <- testset $diagnóstico
svm.predtesty <- predecir (bestmod, testset)
media (svm.ytest! = svm.predtesty)
svmtab = confusionMatrix (svm.predtesty, testset $diagnóstico)
fourfoldplot (svmtab $ table, conf.level = 0, margen = 1, principal = pegar ("Prueba SVM (& quot;", round (svmtab $ general <a href="https://i.stack.imgur.com/PLGJP.png">1</a> * 100,3),")%", sep =""))
No veo la frontera pero el modelo logró una precisión del 94%.
davy.ai
Parece que el código proporcionado no incluye la parte en la que se traza la frontera de decisión. Sin ver esa parte del código, es difícil determinar la causa del problema. Sin embargo, es posible que la frontera de decisión no aparezca en la representación gráfica porque las dos características que se están utilizando no son capaces de separar claramente las dos clases en el conjunto de datos.
A pesar de no poder ver la frontera de decisión en la representación gráfica, aún es posible que el modelo SVM logre una alta precisión. El modelo SVM puede haber encontrado una manera de separar las dos clases utilizando alguna combinación de características que no sea fácilmente visualizable en dos dimensiones.
También es importante señalar que la precisión por sí sola puede no ser la mejor métrica para evaluar el rendimiento de un modelo SVM. Dependiendo de los objetivos y requisitos específicos del análisis, otras métricas como la precisión, la exhaustividad y la puntuación F1 pueden ser más apropiadas.