Scribd
Importer
69 vues1 page

SVM

Le document présente un script R pour entraîner un modèle SVM sur des données de maintenance. Les données sont divisées en ensembles d'entraînement et de test, et le modèle est évalué à l'aide d'une matrice de confusion et du calcul de l'exactitude. Le modèle utilise des variables comme la température de l'air, la température du processus, et d'autres caractéristiques pour prédire les pannes de machine.

Transféré par

loicblue86
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats TXT, PDF, TXT ou lisez en ligne sur Scribd
69 vues1 page

SVM

Le document présente un script R pour entraîner un modèle SVM sur des données de maintenance. Les données sont divisées en ensembles d'entraînement et de test, et le modèle est évalué à l'aide d'une matrice de confusion et du calcul de l'exactitude. Le modèle utilise des variables comme la température de l'air, la température du processus, et d'autres caractéristiques pour prédire les pannes de machine.

Transféré par

loicblue86
Copyright
© © All Rights Reserved
Nous prenons très au sérieux les droits relatifs au contenu. Si vous pensez qu’il s’agit de votre contenu, signalez une atteinte au droit d’auteur ici.
Formats disponibles
Téléchargez aux formats TXT, PDF, TXT ou lisez en ligne sur Scribd

# Pour SVM Charger les bibliothèques nécessaires

library(e1071)

# Lire les données


Maintenance_data <- read.csv2("C:/Users/PC/Desktop/Ecole L3/S2/Data science et Big
data/Maintenance_data.csv")

# Convertir les colonnes en facteurs


Maintenance_data$Type <- factor(Maintenance_data$Type)
Maintenance_data$Machine_failure <- factor(Maintenance_data$Machine_failure)

# Diviser les données en ensembles d'entraînement et de test (70% - 30%)


[Link](123) # Pour la reproductibilité
total_rows <- nrow(Maintenance_data)
train_indices <- sample(1:total_rows, size = 0.7 * total_rows)
training_data <- Maintenance_data[train_indices, ]
test_data <- Maintenance_data[-train_indices, ]

# Entraîner le modèle SVM


svm_model <- svm(Machine_failure ~ Type + Air_temperature + Process_temperature +
Rotational_speed + Torque + Tool_wear,
data = training_data,
type = "C-classification",
kernel = "linear") # Vous pouvez essayer d'autres noyaux comme
"polynomial" ou "radial"

# Résumé du modèle SVM


summary(svm_model)

# Faire des prédictions sur l'ensemble de test


prediction_test_svm <- predict(svm_model, newdata = test_data)

# Calculer la matrice de confusion


table_mat_svm <- table(test_data$Machine_failure, prediction_test_svm)
print(table_mat_svm)

# Calculer l'exactitude
accuracy_Test_svm <- sum(diag(table_mat_svm)) / sum(table_mat_svm)
print(accuracy_Test_svm)

Vous aimerez peut-être aussi