Laboratorio de maquinas de vectores de soporte
Compara clasificacion lineal de margen maximo y separacion no lineal con kernels en datos 2D.
El SVM lineal aprende un hiperplano f(x)=w^Tx+b que separa clases maximizando el margen.
$$\min_{w,b}\ \frac{1}{2}\|w\|^2 + C\sum_i \max(0, 1-y_i(w^Tx_i+b))$$
En este simulador, el modelo lineal usa actualizaciones estocasticas estilo Pegasos para optimizar la perdida hinge.
Cuando los datos no son separables linealmente, los kernels comparan puntos en un espacio transformado.
Prueba RBF para fronteras locales suaves o Polinomial para fronteras globales curvas.
Los vectores de soporte se resaltan como muestras que definen la superficie de decision.
- lambda: fuerza de regularizacion para las actualizaciones Pegasos.
- lr: tamano de paso que controla velocidad y estabilidad.
- gamma (RBF): valores grandes crean fronteras mas locales y ajustadas.
- degree (Poly): mayor grado incrementa la complejidad de la frontera.
- Carga datos de demo y entrena SVM lineal por varias epocas.
- Inspecciona lineas de margen y tendencia de precision.
- Cambia a Kernel Perceptron y compara comportamiento no lineal.
- Ajusta parametros del kernel y observa el crecimiento de vectores de soporte.
Haz clic para colocar muestras. Usa el selector Clase A/B y luego entrena e inspecciona fronteras.
Estado
Puntos: 0 A | 0 B
Epoca: 0
Precision de entrenamiento: -