Laboratoire de Machine à Vecteurs de Support
Comparez la classification linéaire à marge maximale et la séparation non linéaire par noyaux sur des données 2D.
La SVM linéaire apprend un hyperplan f(x)=w^Tx+b qui sépare les classes en maximisant la marge.
$$\min_{w,b}\ \frac{1}{2}\|w\|^2 + C\sum_i \max(0, 1-y_i(w^Tx_i+b))$$
Dans ce simulateur, le modèle linéaire utilise des mises à jour stochastiques de type Pegasos pour optimiser le hinge-loss.
Quand les données ne sont pas linéairement séparables, les méthodes à noyau comparent les points dans un espace de caractéristiques transformé.
Essayez RBF pour des frontières locales douces ou Polynomial pour des frontières globales courbées.
Les vecteurs de support sont mis en évidence comme les échantillons qui définissent la surface de décision.
- lambda : force de régularisation pour les mises à jour linéaires Pegasos.
- lr : taille de pas contrôlant la vitesse et la stabilité.
- gamma (RBF) : des valeurs plus grandes créent des frontières plus locales et serrées.
- degree (Poly) : un degré plus élevé augmente la complexité des frontières.
- Chargez des données demo et entraînez le SVM linéaire pendant plusieurs époques.
- Inspectez les lignes de marge et la tendance d'accuracy.
- Passez au Kernel Perceptron et comparez les régions non linéaires.
- Ajustez les paramètres du noyau et observez la croissance des vecteurs de support.
Cliquez pour placer des échantillons. Utilisez d'abord le toggle Classe A/B, puis entraînez et inspectez les frontières.