Support-Vector-Machine-Labor
Vergleiche lineare Max-Margin-Klassifikation und kernelbasierte nichtlineare Trennung auf interaktiven 2D-Daten.
Lineare SVM lernt eine Hyperebene f(x)=w^Tx+b, die Klassen trennt und die Margin maximiert.
$$\min_{w,b}\ \frac{1}{2}\|w\|^2 + C\sum_i \max(0, 1-y_i(w^Tx_i+b))$$
In diesem Simulator nutzt das lineare Modell Pegasos-ähnliche stochastische Updates, um das Hinge-Loss-Verhalten zu optimieren.
Wenn Daten nicht linear trennbar sind, vergleichen Kernel-Methoden Punkte im transformierten Merkmalsraum.
RBF für glatte lokale Grenzen oder Polynomial für gekrümmte globale Grenzen ausprobieren.
Support-Vektoren werden als hervorgehobene Samples angezeigt, die die Entscheidungsfläche definieren.
- lambda: Regularisierungsstärke für lineare Pegasos-Updates.
- lr: Schrittweite, die Update-Geschwindigkeit und Stabilität steuert.
- gamma (RBF): größere Werte erzeugen engere, lokalere Grenzen.
- degree (Poly): höherer Grad erhöht die Komplexität der Grenze.
- Demodaten laden und lineare SVM für mehrere Epochen trainieren.
- Margin-Linien und Trend der Trainingsgenauigkeit prüfen.
- Zu Kernel Perceptron wechseln und nichtlineare Regionen vergleichen.
- Kernel-Parameter abstimmen und Wachstum der Support-Vektoren beobachten.
Klicken, um Samples zu platzieren. Zuerst Klasse A/B wählen, dann trainieren und Grenzen prüfen.