Laboratorio Support Vector Machine
Confronta classificazione lineare a massimo margine e separazione non lineare con kernel su dati 2D interattivi.
La SVM lineare apprende un iperpiano f(x)=w^Tx+b che separa le classi massimizzando il margine.
$$\min_{w,b}\ \frac{1}{2}\|w\|^2 + C\sum_i \max(0, 1-y_i(w^Tx_i+b))$$
In questo simulatore, il modello lineare usa aggiornamenti stocastici stile Pegasos per ottimizzare la hinge loss.
Quando i dati non sono linearmente separabili, i metodi kernel confrontano i punti in uno spazio delle feature trasformato.
Prova RBF per confini locali morbidi o Polinomiale per confini globali curvi.
I support vector sono evidenziati come campioni chiave che definiscono la superficie decisionale.
- lambda: forza di regolarizzazione per gli update lineari Pegasos.
- lr: step size che controlla velocita e stabilita.
- gamma (RBF): valori piu grandi creano confini piu stretti e locali.
- degree (Poly): grado piu alto aumenta la complessita del confine.
- Carica i dati demo e allena la SVM lineare per diverse epoche.
- Ispeziona le linee di margine e il trend di accuratezza.
- Passa a Kernel Perceptron e confronta il comportamento delle regioni non lineari.
- Regola i parametri del kernel e osserva la crescita dei support vector.
Clicca per posizionare i campioni. Seleziona Classe A/B, poi allena e ispeziona i confini.