SVM

Interpretação dos resultados

Os quatro painéis mostram como diferentes kernels do SVM separam as classes.
Kernel linear: uma fronteira simples (reta). Se as classes estiverem bem separadas por uma linha, este é o mais apropriado.
Kernel sigmoid: produz fronteiras curvas simples; tende a ser menos estável como escolha padrão.
Kernel poly: gera fronteiras polinomiais mais complexas; pode capturar curvaturas, mas também pode sobreajustar se o grau for alto.
Kernel rbf: produz fronteiras não-lineares flexíveis e frequentemente captura padrões locais melhor que os demais.
Se as regiões das classes estiverem muito misturadas em todos os painéis, isso indica que, visualmente, as classes não são bem separáveis com os parâmetros e visualização atuais.
Fronteiras muito recortadas ou muito complexas podem sinalizar sobreajuste; fronteiras muito suaves podem indicar underfitting.

Conclusão rbf tem a melhor separação visual; linear é aceitável; poly aparenta sobreajuste.