Support Vector Machine

O Support Vector Machine (SVM) é um algoritmo de aprendizado de máquina usado para classificação e regressão. Ele encontra um hiperplano que separa dados pertencentes a duas classes diferentes. Basicamente, o SVM identifica os pontos extremos entre as classes e usa esses pontos para definir as margens de separação. Além disso, o SVM não se limita a dados linearmente separáveis; ele pode ser aplicado a dados mais complexos também.

Este repositório apresenta a aplicação desse algoritmo em diferentes datasets utilizando a linguagem R com RStudio. Atualmente, ele inclui scripts para os datasets Iris e Wine.

Requisitos

• R e RStudio instalados (para execução local)
• Docker instalado (para execução via Docker)

Como executar os scripts

Você pode executar o código de duas maneiras: localmente ou utilizando Docker.

Execução local

1. Clone o repositório e navegue até a pasta do projeto.

   git clone https://github.com/esscova/svm-R.git
   cd svm

2. Execute o script R localizado em scripts/.

Utilizando Docker

1. Clone o repositório e navegue até a pasta do projeto.

   git clone https://github.com/esscova/svm-R.git
   cd svm

2. Para construir a imagem Docker, execute:

   docker build -t svm-r .

3. Para iniciar o container Docker, execute:

   docker run -p 8787:8787 svm-r

4. Acesse o RStudio Server em http://localhost:8787.

5. Faça login utilizando as seguintes credenciais:

   • Usuário: rstudio
   • Senha: 123456

6. Abra o arquivo svm_wine.R no RStudio e execute o código.

Notas adicionais

• Certifique-se de ter o Docker instalado na sua máquina.
• A imagem Docker é baseada em rocker/rstudio:latest e inclui os pacotes R necessários.
• O arquivo wine.csv será copiado para o container Docker e estará disponível para o script R durante a execução.

Relatórios das análises

Para uma análise detalhada do processo de implementação da SVM e dos resultados, consulte:

• Classificação das espécies de flores do dataset Iris
• Classificação dos tipos de vinhos do dataset Wine

Connect with me