Machine Learning avec Scikit-Learn

150

Chapitre 5. Machines à vecteurs de support

X, y = make_moons(n_samples=100, noise=0.15)

polynomial_svm_clf = Pipeline([

("poly_features", PolynomialFeatures(degree=3)),

("scaler", StandardScaler()),

("svm_clf", LinearSVC(C=10, loss="hinge"))

])

polynomial_svm_clf.fit(X, y)

Figure 5.6 – Classificateur SVM linéaire utilisant des variables polynomiales

5.2.1 Noyau polynomial

L’ajout de variables polynomiales est simple à réaliser et peut donner de bons résultats

avec toutes sortes d’algorithmes d’apprentissage automatique (et pas seulement les

SVM). Cela dit, avec un degré polynomial faible, on ne peut pas tirer parti de jeux

de données très complexes, ...