支持向量机实验
在交互式 2D 数据上比较线性最大间隔分类与核方法的非线性分离。
线性 SVM 学习超平面 f(x)=w^Tx+b，在分离类别的同时最大化间隔。
$$\min_{w,b}\ \frac{1}{2}\|w\|^2 + C\sum_i \max(0, 1-y_i(w^Tx_i+b))$$
本模拟器中，线性模型使用 Pegasos 风格的随机更新优化 hinge-loss。
当数据线性不可分时，核方法在变换后的特征空间比较点。
RBF 适合平滑的局部边界，Polynomial 适合弯曲的全局边界。
支持向量会高亮显示，它们定义了决策边界。
- lambda：线性 Pegasos 更新的正则化强度。
- lr：控制更新速度与稳定性的步长。
- gamma（RBF）：值越大边界越局部。
- degree（Poly）：次数越高边界越复杂。
- 加载演示数据并训练线性 SVM 若干 epoch。
- 观察间隔线与训练准确率趋势。
- 切换到 Kernel Perceptron 比较非线性区域。
- 调整核参数并观察支持向量的增长。
点击放置样本。先选择类 A/B，再训练并观察边界。
状态
点数： 0 A | 0 B
Epoch： 0
训练准确率： -