Support Vector Machine

يتعلم SVM الخطي مستويًا فائقًا f(x)=w^Tx+b يفصل الفئات مع تعظيم الهامش.

$$\min_{w,b}\ \frac{1}{2}\|w\|^2 + C\sum_i \max(0, 1-y_i(w^Tx_i+b))$$

في هذا المحاكي، يستخدم النموذج الخطي تحديثات عشوائية بأسلوب Pegasos لتحسين سلوك hinge-loss.

عندما لا تكون البيانات قابلة للفصل الخطي، تقارن طرق النوى النقاط في فضاء سمات محوّل.

جرّب RBF لحدود محلية ناعمة أو Polynomial لحدود عالمية منحنية.

تُبرز متجهات الدعم كعينات تُحدد سطح القرار.

• lambda: قوة التنظيم لتحديثات Pegasos الخطية.
• lr: حجم الخطوة الذي يتحكم في سرعة واستقرار التحديث.
• gamma (RBF): قيم أكبر تنشئ حدودًا محلية أكثر إحكامًا.
• degree (Poly): درجة أعلى تزيد تعقيد الحدود.