기본 선형 SVM

<기본 선형 SVM의 예>

- 로지스틱 회귀처럼 데이터의 경계선을 찾아내 데이터를 분류하지만

가장 큰 특징은 서포트 벡터가 있다는 점.

> 가장 가까이 있는 데이터와 경계선의 거리를 가리킴. 거리 합을 최대화함으로써 경계선을 결정하는 방법.

가장 먼곳에 분류할 경게선이 그려지기 때문에 로지스틱 회귀에 비해 일반화하기 쉬움. > 예측이 향상됨.

▲ 일반 선형 SVM은 이렇게 흘러간다. 그렇게 흘러가서 짠게 요고 ▼

크게 산점도와 차이점이 없어보인다.

선형과 비선형의 모델의 정확도를 출력하면 이렇게 ▼ 비선형이 훨씬 훨씬 높다. 

 

128행의 https://scikit-learn.org/stable/modules/generated/sklearn.datasets.make_gaussian_quantiles.html#sklearn.datasets.make_gaussian_quantiles

sklearn.datasets.make_gaussian_quantiles