Objetivo

Nesta página serão listadas os resultados obtidos através das melhorias executadas no algoritmo de SVC, com kernel
rbf, trocando os parâmetros gamma, C, probability e shrinking, para os 3 plots escolhidos previamente:

• largura flagelo x largura corpo
• largura flagelo x comprimento flagelo
• volume flagelo x volume corpo

Introdução

Os 4 parâmetros escolhidos para se realizar as alterações foram:

• gamma, sendo este o coeficiente do kernel, usado pelos kernels 'rbf', 'poly' e 'sigmoid', variando de 0.01 até 1, sendo o valor default = 1/n_features.
• C, sendo C o valor de penalidade do erro, variando de 0.01 até 1, sendo o default = 1.
• probability, permite ou não estimativas de probabilidade, default = false.
• shrinking, permite ou não usar a heurística de encolhimento, default = true.

Em todos os 3 gráficos, foi aplicada a mesma lógica para a identificação dos valores ótimos, sendo esta lógica ilustrada pelos passos abaixo listados:

• variação de gamma, começando em 0.01 até 1, definindo o valor ótimo para usar nos outros modelos
• variação de C, começando em 0.01 até 1, definindo valor ótimo para usar nos outros modelos
• variação de probability, sendo o valor primeiramente default, e depois true, observando se houve variação
• variação de shrinking, sendo o valor primeiramente default, e depois false, observando

Após realizar as alterações previamente citadas, analisa-se qual o score de cada modelo dada as features previamente definidas.

Resultados Gerais

Features	Gamma(ótimo)	C(ótimo)	Score
largura flagelo x largura corpo	gamma >= 0.4	C >= 0.5	0.97777
largura flagelo x comprimento flagelo	gamma >= 0.1	C = 0.05	0.95555
volume flagelo x volume corpo	gamma = 0.01	C >= 0.3	0.93333

Obs: Não foi retratado na matriz acima os parâmetros probability e shrinking pois nenhum deles, valor default ou não, apresentou alterações no score dos modelos.

Resultados Individuais

largura flagelo x comprimento flagelo

Mais detalhes sobre este modelo aqui

Gráfico de variação do parâmetro gamma

E a partir deste gráfico, podemos concluir que qualquer gamma, para gamma > 0.05, resulta no mesmo score, portanto, usaremos gamma = 1 nos próximos modelos.

Gráfico de variação do parâmetro C

E a partir deste gráfico, podemos concluir que o valor ótimo de C = 0.05, e este será o valor usado nos próximos modelos.

Gráfico de variação do parâmetro probability

A partir deste gráfico, concluímos que o atributo probability, sendo true ou false, não interfere no score do modelo.

Gráfico de variação do parâmetro shrinking

A partir deste gráfico, concluímos que o atributo shrinking, sendo true ou false, não interfere no score do modelo.

Resultado

Como resultado, fazendo todas as otimizações esperadas, obtivemos como score: 0.95555

volume flagelo x volume corpo

Mais detalhes sobre este modelo aqui

Gráfico de variação do parâmetro gamma

E a partir deste gráfico, podemos concluir que o valor ótimo para gamma é gamma = 0.01, e este valor será usados nos próximos modelos.

Gráfico de variação do parâmetro C

E a partir deste gráfico, podemos concluir que qualquer C, sendo C > 0.3, resulta no score ótimo, então, daqui em diante, usaremos C = 1 para os próximos modelos

Gráfico de variação do parâmetro probability

A partir deste gráfico, concluímos que o atributo probability, sendo true ou false, não interfere no score do modelo.

Gráfico de variação do parâmetro shrinking

A partir deste gráfico, concluímos que o atributo shrinking, sendo true ou false, não interfere no score do modelo.

Resultado

Como resultado, fazendo todas as otimizações esperadas, obtivemos como score: 0.93333

largura flagelo x largura corpo

Mais detalhes sobre este modelo aqui

Gráfico de variação do parâmetro gamma

E a partir deste gráfico podemos concluir que qualquer gamma, sendo gamma >= 0.4, leva ao score ótimo. Portanto, daqui em diante usaremos gamma = 1.

Gráfico de variação do parâmetro C

E a partir deste gráfico podemos concluir que qualquer C, sendo C >= 0.5, leva ao score ótimo. Portanto, daqui em diante usaremos C = 1.

Gráfico de variação do parâmetro probability

A partir deste gráfico, concluímos que o atributo probability, sendo true ou false, não interfere no score do modelo.

Gráfico de variação do parâmetro shrinking

A partir deste gráfico, concluímos que o atributo shrinking, sendo true ou false, não interfere no score do modelo.

Resultado

Como resultado, fazendo todas as otimizações esperadas, obtivemos como score: 0.97777