I NTRODUÇÃO A R ECONHECIMENTO DE PADRÕES - UFMG

E XERCÍCIO 2 - SVM

Lucas Silva Chaves

Engenharia de Sistemas
lucasxp205@gmail.com
2017001737

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

Como resultado obtemos os seguintes valores referentes a acurácia do modelo:

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.