サポートベクターマシンラボ
線形最大マージン分類とカーネルによる非線形分離を2Dデータで比較。
線形SVMは f(x)=w^Tx+b の超平面を学習し、クラスを分離しながらマージンを最大化します。
$$\min_{w,b}\ \frac{1}{2}\|w\|^2 + C\sum_i \max(0, 1-y_i(w^Tx_i+b))$$
このシミュレータでは、線形モデルはPegasos風の確率的更新でヒンジ損失の挙動を最適化します。
データが線形分離できない場合、カーネル法は変換された特徴空間で点を比較します。
RBFは滑らかな局所境界、ポリノミアルは曲線的なグローバル境界に向きます。
サポートベクターは決定境界を定義する強調サンプルとして表示されます。
- lambda: 線形Pegasos更新の正則化強度。
- lr: 更新速度と安定性を制御するステップサイズ。
- gamma（RBF）: 値が大きいほど局所的でタイトな境界。
- degree（Poly）: 次数が高いほど境界が複雑。
- デモデータを読み込み、線形SVMを数エポック学習。
- マージン線と学習精度の傾向を確認。
- カーネルPerceptronに切り替えて非線形領域を比較。
- カーネルのパラメータを調整し、サポートベクターの増加を観察。
クリックでサンプルを配置。先にクラスA/Bを切り替えてから学習し、境界を確認します。
ステータス
ポイント: 0 A | 0 B
エポック: 0
学習精度: -