SVM Lab
Etkileşimli 2D veride doğrusal maksimum marj sınıflandırmayı ve kernel tabanlı doğrusal olmayan ayrımı karşılaştır.
Doğrusal SVM, sınıfları ayıran f(x)=w^Tx+b hiper düzlemini öğrenirken marjı maksimize eder.
$$\min_{w,b}\ \frac{1}{2}\|w\|^2 + C\sum_i \max(0, 1-y_i(w^Tx_i+b))$$
Bu simülatörde doğrusal model, hinge-loss davranışını optimize etmek için Pegasos tarzı stokastik güncellemeler kullanır.
Veri doğrusal ayrılabilir değilse, kernel yöntemleri noktaları dönüştürülmüş özellik uzayında karşılaştırır.
RBF pürüzsüz yerel sınırlar; Polynomial ise eğrisel küresel sınırlar sağlar.
Support vector’ler karar yüzeyini belirleyen önemli örnekler olarak vurgulanır.
- lambda: doğrusal Pegasos güncellemeleri için regularization gücü.
- lr: güncelleme hızını ve stabiliteyi belirleyen adım boyu.
- gamma (RBF): daha büyük değerler daha dar, daha yerel sınırlar üretir.
- degree (Poly): daha yüksek derece sınır karmaşıklığını artırır.
- Demo veriyi yükle ve Linear SVM’i birkaç epoch eğit.
- Marj çizgilerini ve eğitim doğruluğu trendini incele.
- Kernel Perceptron’a geçip doğrusal olmayan bölgeleri karşılaştır.
- Kernel parametrelerini ayarla ve support vector sayısının artışını gözlemle.
Örnek yerleştirmek için tıkla. Önce Class A/B seç, sonra eğit ve sınırları incele.
Durum
Noktalar: 0 A | 0 B
Epoch: 0
Eğitim Doğruluğu: -