Lab Support Vector Machine
Bandingkan klasifikasi linear margin-maksimum dan pemisahan nonlinier berbasis kernel pada data 2D interaktif.
SVM linear mempelajari hiperbidang f(x)=w^Tx+b yang memisahkan kelas sambil memaksimalkan margin.
$$\min_{w,b}\ \frac{1}{2}\|w\|^2 + C\sum_i \max(0, 1-y_i(w^Tx_i+b))$$
Pada simulator ini, model linear memakai update stokastik gaya Pegasos untuk mengoptimalkan perilaku hinge-loss.
Saat data tidak dapat dipisahkan secara linear, metode kernel membandingkan titik dalam ruang fitur yang ditransformasikan.
Coba RBF untuk batas lokal halus atau Polynomial untuk batas global melengkung.
Support vector disorot sebagai sampel yang menentukan permukaan keputusan.
- lambda: kekuatan regularisasi untuk update Pegasos linear.
- lr: ukuran langkah yang mengontrol kecepatan dan stabilitas update.
- gamma (RBF): nilai lebih besar membuat batas lebih lokal dan rapat.
- degree (Poly): derajat lebih tinggi meningkatkan kompleksitas batas.
- Muat data demo dan latih SVM Linear beberapa epoch.
- Periksa garis margin dan tren akurasi training.
- Ganti ke Kernel Perceptron dan bandingkan perilaku region nonlinier.
- Tuning parameter kernel dan amati pertumbuhan support vector.
Klik untuk menempatkan sampel. Gunakan toggle Kelas A/B dulu, lalu latih dan periksa batas.