Zapoznaj się z krótką wizualizacją głównej koncepcji stojącej za rodziną algorytmów SVM.

Uruchom w środowisku Jupyter Notebook notatnik z ilustracją koncepcji triku kernelowego i przykładem wykorzystania algorytmu SVM.

• Uruchom narzędzie Rapid Miner
• Utwórz przepływ polegający na wczytaniu pliku bank.csv i zbudowaniu klasyfikatora SVM. Zapoznaj się z opisem zbioru danych. Wczytaj dane za pomocą operatora Read CSV i prześlij je do operatora Nominal to Numerical, zamieniając atrybuty nominalne na numeryczne zgodnie z metodą unique integers. Wewnątrz operatora Split Validation umieść operator SVM i wykorzystaj początkowo kernel dot (możesz też poeksperymentować z innymi rodzajami kernali). Obejrzyj uzyskany model. Zwiększ wartość parametru C zezwalając na pewną elastyczność granicy decyzyjnej. Możesz manipulować modelem także za pomocą parametrów L pos i L neg, które działają analogicznie do funkcji kosztu.
• Co zrobić w przypadku gdy klasyfikowany zbiór danych ma więcej niż dwie klasy? Załaduj plik letter-recognition.csv i zapoznaj się z jego opisem. Ponieważ plik jest dośc duży, użyj operatora Sample (Stratified) do wylosowania 10% danych. Prześlij je do operatora Split Validation, wewnątrz którego umieść operator Polynomial by Binomial Classification wykorzystujący we wnętrzu operator SVM. Sprawdź, która z metod (1-against-all, 1-against-1, ECOC) daje najlepsze rezultaty.
• Utwórz przepływ obrazujący wykorzystanie krzywej lift. Użyj operatora Generate Direct Mailing Data w celu wygenerowania 1000 syntetycznych rekordów. Prześlij wygenerowany zbiór uczący do operatora Split Validation. Wewnątrz operatora Split Validation wykorzystaj w fazie uczenia operator Naive Bayes, natomiast w fazie testowania umieść kolejno: operator Create Lift Chart, operator Apply Model oraz operator Performance (Classification). Dodatkowo, port lift operatora Create Lift Chart prześlij do operatora Remember i zapisz w repozytorium pod dowolną nazwą (jako wartość io object wybierz LiftParetoChart). W procesie nadrzędnym dodaj operator Recall i odczytaj obiekt zapisany w trakcie walidacji modelu, wysyłając go jako końcowy wynik przepływu. Jeśli chcesz, możesz też wyświetlić zbiór uczący (port tra operatora Validation). Aby upewnić się, że operatory są wykonywane we właściwej kolejności, wybierz z menu opcję Proces - Operation Execution Order - Order Execution i w razie konieczności popraw przepływ: walidacja klasyfikatora musi się odbyć przed operatorem Recall.

| | |

• Utwórz podstawowy przepływ obrazujący wykorzystanie krzywej ROC. Odczytaj z repozytorium zbiór danych Sonar i wyślij go do operatora Split Validation. Wewnątrz operatora do walidacji w fazie uczenia wykorzystaj operator Support Vector Machine (LibSVM), a w fazie testowania użyj kolejno: operatora Apply Model, operatora Find Threshold, operatora Apply Threshold, a w końcu operatora Performance.

• Ostatnim przepływem jest przepływ obrazujący możliwość jednoczesnego porównania wielu krzywych ROC pochodzących od różnych klasyfikatorów. Odczytaj zbiór danych Sonar, a następnie dodaj operator Add Noise. Nie dodawaj nowych atrybutów, ale wprowadź 5% szum we wszystkich atrybutach. Tak zmodyfikowany zbiór uczący wyślij do operatora Compare ROCs. Wewnątrz tego operatora umieść operatory Naive Bayes, Decision Tree oraz Support Vector Machines. Port roc operatora Compare ROCs wyślij jako wynik przepływu. Obejrzyj i porównaj krzywe ROC klasyfikatorów.