Laboratório de Máquina de Vetores de Suporte
Compare classificação linear de margem máxima e separação não linear com kernel em dados 2D interativos.
SVM linear aprende um hiperplano f(x)=w^Tx+b que separa classes enquanto maximiza a margem.
$$\min_{w,b}\ \frac{1}{2}\|w\|^2 + C\sum_i \max(0, 1-y_i(w^Tx_i+b))$$
Neste simulador, o modelo linear usa atualizações estocásticas no estilo Pegasos para otimizar o comportamento de hinge-loss.
Quando os dados não são linearmente separáveis, métodos de kernel comparam pontos em espaço de atributos transformado.
Experimente RBF para fronteiras locais suaves ou Polinomial para fronteiras globais curvas.
Vetores de suporte são destacados como amostras que definem a superfície de decisão.
- lambda: força de regularização para atualizações lineares Pegasos.
- lr: tamanho do passo que controla velocidade e estabilidade.
- gamma (RBF): valores maiores criam fronteiras mais locais e fechadas.
- degree (Poly): grau maior aumenta a complexidade da fronteira.
- Carregue dados demo e treine o SVM Linear por várias épocas.
- Inspecione linhas de margem e a tendência de acurácia de treino.
- Mude para Kernel Perceptron e compare o comportamento de regiões não lineares.
- Ajuste parâmetros do kernel e observe o crescimento de vetores de suporte.
Clique para colocar amostras. Use o alternador Classe A/B primeiro, depois treine e inspecione as fronteiras.