阶段1：画一条分界线 — "初试身手"

💡 核心思想：用一条直线把红队和蓝队分开！拖动两端的圆点来调整分界线，看看你的线能把多少队员分对边。
🖱️ 操作：用鼠标拖动线两端的蓝色和红色圆点来移动分界线。
🖱️ 动手试试：拖动分界线两端的圆点，观察正确率的变化！正确分类的点会变亮，错误的会变暗。
正确率：0%　|　正确：0 / 0

🤔 动动脑筋

1. 能分开两组的直线只有一条吗？

2. 什么样的线算是"好"的分界线？

📝 本阶段要点

  • 线性分类器用一条直线（或超平面）把不同类别分开
  • 能分开两类的直线通常不止一条，但有好坏之分
  • "好的分界线"应该让两边都有足够的安全空间
  • 正确率只看分类对错，不关心间隔大小

阶段2：找最宽走廊 — "最宽安全通道"

💡 核心思想：SVM 的核心是最大化间隔！分界线两侧有两条平行的"间隔边界线"，形成一个走廊。
🖱️ 操作：拖动滑块调整分界线的角度和位置，观察走廊宽度的变化。点击"自动找最优"看 SVM 怎么找到最宽的走廊！
45°
0
📐 观察提示：黄色区域就是"安全走廊"（间隔）。走廊越宽，分类越安全！点击"自动找最优"让 SVM 帮你找到最宽的走廊。
间隔宽度：0.00　|　状态：手动调整中

🤔 动动脑筋

1. 为什么要最大化间隔？

2. 间隔宽度由哪些点决定？

📝 本阶段要点

  • SVM 的核心目标：最大化间隔（margin），也就是找最宽的"安全走廊"
  • 间隔 = 两类中离分界线最近的点到分界线的距离之和
  • 间隔越大，分类越稳健，对新数据的容错能力越强
  • 最宽走廊的方向由离分界线最近的几个点决定

阶段3：认识支持向量 — "关键选手"

💡 核心思想：恰好落在间隔边界上的点就是支持向量！它们是"关键选手"，决定了分界线的位置。
🖱️ 操作：开启拖动模式后，拖动普通点（分界线不变）或支持向量（分界线跟着变），观察区别！
⭐ 观察：闪烁的大圆圈就是支持向量！开启拖动模式后试试：拖一个普通点，分界线不动；拖一个支持向量，分界线会跟着变！
支持向量数量：0　|　间隔宽度：0.00

🤔 动动脑筋

1. 删除一个非支持向量点，分界线会变吗？

2. 为什么这些点叫"支持向量"？

📝 本阶段要点

  • 支持向量 = 恰好落在间隔边界上的点（离分界线最近的点）
  • 支持向量"支撑"着分界线，决定了分界线的位置和方向
  • 删除非支持向量，分界线不变；移动支持向量，分界线跟着变
  • 大多数数据点对分界线没有影响，只有少数支持向量是关键

阶段4：真实应用 — "SVM实战"

💡 应用目标：SVM 能解决很多实际问题！选择一个场景体验真实的分类过程。
前两个场景用线性 SVM；第三个场景的数据用直线分不开，试试核函数的魔法！
📊 操作：点击"自动找最优"让 SVM 找到最佳分界线。圆形数据场景中，试试"核函数视图"，看数据如何被映射到 3D 空间变得可分！
场景：鸢尾花分类　|　间隔：0.00

🤔 动动脑筋

1. 当数据线性不可分时，SVM怎么办？

2. 开放题：SVM 和逻辑回归都是分类算法，它们有什么区别？

📝 本阶段要点

  • SVM 可应用于多种真实场景：生物分类、成绩分析、图像识别等
  • 当数据线性不可分时，核函数将数据映射到高维空间使其可分
  • 常用核函数：线性核、多项式核、高斯核（RBF）
  • SVM 最大化间隔，逻辑回归最小化对数损失，两者思路不同
  • SVM 在小样本、高维数据上表现优秀