Escolar Documentos
Profissional Documentos
Cultura Documentos
E XERCÍCIO 2 - SVM
5 de julho de 2021
1 Objetivos
• Aplicar o algoritmo de classificação SVM no dataset de tipos de vidros da UCI Machine Learning repository
2 Metodologia
Para realizar a classificação desse conjunto de dados foram executados os seguintes passos:
1. Leitura do dataset "glass.data"do machine learning repository da UCI, que contém tipos de vidro a serem
classificados.
2. Remoção da coluna de id, dado que ela não será utilizada no treinamento do algoritmo
3. Pré-processamento dos dados, com o objetivo de normalizar os valores dos atributos.
4. Selecionar aleatoriamente70 % da amostras para o conjunto de treinamento e 30% para o conjunto de teste,
para cada uma das duas classes.
5. Utilizar as amostras de treinamento para fazer o treinamento do classificador SVM
6. Uma vez treinado o modelo, utilizá-lo para classificar as amostras do conjunto de teste
7. Análise dos resultados com o cálculo de acurácia e precisão do modelo.
8. Visualizar a matriz de confusão Matriz de Confusão
3 Resultados
Acurácia 100%
Precisão 100%
Além disso, ao plotar a matriz de confusão com a classificação de cada um dos 7 tipos de vidro, temos:
U NIVERSIDADE F EDERAL DE M INAS G ERAIS - UFMG - 5 DE JULHO DE 2021
Figura 1: Imagem
Com os resultados acima, é possível verificar que para este conjunto de dados, o classificador SVM é uma ótima
ferramenta visto que foi possível conseguir excelentes resultados (precisão e acurácia total). Porém vale ressaltar, que
tal resultado só foi possível uma vez que temos fronteiras bem definidas neste conjunto de dados, portanto é bem
provável que tenhamos um desempenho pior em outros conjuntos de dados.