🎮 交互式算法演示
动手玩一玩,直观感受机器学习算法的工作原理
调整参数,观察算法行为。所有计算在浏览器里跑,无需后端。
📉
梯度下降
在最简单的凸函数 f(x) = x² 上看梯度下降怎么找到最小值。试试学习率太大/太小的后果。
📉 梯度下降可视化
观察算法如何在 f(x) = x² 上找到最小值。试试不同的学习率和起始点!
刚好
当前 x:
4.0000当前 f(x):
16.0000已迭代:
0 步📈
线性回归拟合
拖动斜率和截距,看 MSE 损失实时变化。挑战: 找到让 MSE 最小的参数。
🎯 线性回归拟合实验
拖动滑块调整尝试直线的斜率和截距,看 MSE 如何变化。找到让 MSE 最小的线!
💡 提示: 真实线参数是 y = 3x + 2。当你的红线和绿虚线完全重合时,MSE 最小。
🎯
K-Means 聚类
看 K-Means 如何把 90 个点自动分成 K 个簇。比较"随机"和"kmeans++"两种初始化。
🎯 K-Means 聚类可视化
观察 K-Means 如何把数据点自动分成 K 个簇。试试不同的 K 值和初始化方式。
已迭代:
0 步🌳
决策树
经典"是否打球"数据集的决策树。点击节点查看判断流程。
🌳 决策树可视化
基于经典 "PlayTennis" 数据集。点击中间节点查看从根到叶的判断流程。
判断节点✓ 决策为"打"✗ 决策为"不打"
📊
混淆矩阵
调整真实类别和预测概率,观察 Precision / Recall / F1 如何变化。
📊 混淆矩阵可视化
调整"真实类别"样本数和模型的预测概率, 观察 Precision / Recall / F1 如何变化。
| ↓ 预测为 ↓ | 真实合计 | |||
|---|---|---|---|---|
| 预测 猫 | 预测 狗 | 预测 鸟 | ||
| 真实 猫 | 26 | 3 | 2 | 31 |
| 真实 狗 | 5 | 24 | 2 | 31 |
| 真实 鸟 | 3 | 3 | 24 | 30 |
| 预测合计 | 34 | 30 | 28 | 92 |
类别 猫
P
76%
R
84%
F1
80%
类别 狗
P
80%
R
77%
F1
79%
类别 鸟
P
86%
R
80%
F1
83%
真实样本数
猫30
狗30
鸟30
模型预测概率 (按行规范化)
| 猫 | |||
| 狗 | |||
| 鸟 |
💡 对角线(绿色)是正确分类; 非对角线(红色)是误分类。P = Precision 查准率; R = Recall 查全率; F1 = 两者的调和平均。
🧠
神经网络 Playground
选数据集 + 调网络结构, 看神经网络怎么学分类边界。浏览器里实时训练!
🧠 神经网络 Playground
选数据集 + 调网络结构, 看神经网络怎么学分类边界。
已训练 0 轮准确率 35.5%
输入层 (2) → 隐藏层 (4) → 输出层 (1)