AI·计算机科学

机器学习模拟器

专注于AI和计算机科学中的机器学习，相关的计算条件、公式和设计决策比较的模拟器集合。

45 个模拟器

相邻类别

数学·数值分析控制·机器人验证·质量生物·医学工程

工具列表

AdaBoost 模拟器 — 弱分类器的提升

AdaBoost Simulator — Boosting Weak Classifiers

AdaBoost 模拟器 — 弱分类器的提升是在接近的设计条件和主要指标基础上，追踪当前值和变化趋势的页面。

AdaBoost提升集合学习决策树桩

Adam 优化器模拟器

Adam Optimizer Simulator

在浏览器中体验深度学习的标准优化算法 Adam。改变学习率α、β₁、β₂和迭代次数，可以通过等高线、损失曲线和与标准GD的比较，实时可视化一阶和二阶矩以及偏差修正的工作方式的免费模拟器。

Adam优化器自适应学习率矩

1D 线性自编码器·模拟器 — 与PCA等价的压缩重构

1D Linear Autoencoder Simulator — Compression Equivalent to PCA

将10维信号压缩成 K 维的瓶颈，并用线性解码器重构的1D自编码器。在SGD训练时观察学习曲线和重构条形图，可视化线性AE如何提取与PCA等价的前 K 个主成分。

自编码器线性AE维数减少PCA

批量归一化模拟器

Batch Normalization Simulator

在接近的设计条件和主要指标的关系中，抓住支配性条件和指标关系的构成。

批量归一化Batch Normalization深度学习内部协变量转变

偏差·方差权衡模拟器

Bias-Variance Tradeoff Simulator

机器学习模拟器，分解并可视化多项式回归的偏差²、方差和不可约误差。改变模型阶数、数据点数、噪声和数据集数，可以直观地理解学习不足和过拟合的权衡、U形汛化误差。

偏差方差权衡过拟合欠学习

协同过滤模拟器

Collaborative Filtering Simulator

免费模拟器，让您体验基于用户的协同过滤的机制。改变评级矩阵、邻域数 k、相似度指标（余弦/皮尔逊）和稀疏度，实时可视化推荐系统如何预测"为您推荐"、预测误差和相似用户。

协同过滤推荐系统推荐余弦相似度

混淆矩阵中的 Precision·Recall·F1模拟器

Confusion Matrix Metrics Simulator

统计和数值计算的假设和敏感性的相邻工具的移动之前，抓住支配性条件和指标关系的构成。

交叉熵 vs MSE 损失模拟器

Cross-Entropy vs MSE Loss Simulator

二分类损失函数的比较模拟器。改变logit z 和真实标签 y，交叉熵损失和MSE损失以及梯度实时显示。当确信错误时MSE梯度消失，交叉熵成为分类的标准损失的原因，用这个免费工具可以直观地学习。

交叉熵MSE损失函数梯度消失

k-折交叉验证模拟器

k-Fold Cross-Validation Simulator

免费模拟器，用k-折交叉验证评估模型汛化性能。改变样本数 N、分割数 k、模型复杂度、噪声等，计算训练误差、CV误差、泛化间隙和标准误差，可以判断过拟合。

k-fold交叉验证cross-validation过拟合

DBSCAN模拟器 — 密度聚类

DBSCAN Simulator — Density-Based Clustering

DBSCAN模拟器对于2D散点数据，从ε邻域和MinPts判断核心点、边界点和噪声，实时提取任意形状的聚类。直观学习ε和MinPts敏感度的教育工具。

DBSCAN密度聚类机器学习无监督学习

决策分析·期望值计算工具

Decision Analysis

对最多3个选项和各3个结果计算期望金钱价值(EMV)，确定最优决策。标准差、概率分布直方图、龙卷风图进行敏感性分析。投资、项目投标、医疗选择的预设。

决策树期望值敏感性分析决策

决策树不纯度指标 — Gini·Entropy·误分类率的比较

Decision Tree Impurity — Gini, Entropy and Misclassification

决策树不纯度指标 — Gini、Entropy和误分类率的比较，当改变接近的设计条件和主要指标的前提时，比较设计余量如何变化。

决策树不纯度Gini熵

Dropout 正则化模拟器

Dropout Regularization Simulator

免费模拟器体验神经网络的Dropout正则化。改变保持概率 p、层的神经元数、随机种子，实时可视化随机丢弃的掩码、保持数的二项分布、1/p 缩放、部分网络总数 2ⁿ。

Dropout正则化神经网络过拟合

Elastic Net 回归模拟器 — L1+L2 混合正则化

Elastic Net Regression Simulator

Elastic Net 回归（Zou & Hastie 2005）改变混合比 α 和正则化强度 λ，实时可视化特征选择数、有效自由度、真正例率、假正例率、MSE。Lasso 和 Ridge 之间的中间可以进行相关特征的分组选择的免费模拟器。

Elastic Net弹性网L1正则化L2正则化

高斯过程回归 — RBF内核和95%置信区间

Gaussian Process Regression — RBF Kernel & 95% Confidence Band

高斯过程回归模拟器实时计算和可视化RBF内核1D GP回归的预测平均值和95%置信区间。改变长度尺度和观测噪声，直观学习贝叶斯不确定性估计的行为。

高斯过程GP回归RBF内核贝叶斯推断

遗传算法优化模拟器

Genetic Algorithm

在浏览器中实时可视化遗传算法的优化过程。从种群进化到收敛用动画直观学习。是CAE设计优化基础理解和算法学习的最佳模拟器工具。

遗传算法优化进化计算元启发式

梯度提升模拟器

Gradient Boosting Simulator

梯度提升可视化弱学习器（浅回归树）逐次拟合残差以组装强预测器的机制。改变树数、学习率、树深度、噪声，可以体验训练误差降低、欠拟合和过拟合边界的免费模拟器。

梯度提升提升集合学习回归树

梯度裁剪模拟器

Gradient Clipping Simulator

在浏览器中体验梯度裁剪。改变裁剪阈值、学习率、步数，通过等高线和损失、梯度范数曲线可视化范数裁剪、值裁剪、无裁剪在"悬崖地形"中如何防止梯度爆炸的免费模拟器。

梯度裁剪梯度爆炸exploding gradients范数裁剪

带动量的梯度下降法模拟器

Gradient Descent with Momentum Simulator

在浏览器中体验带动量的梯度下降法。改变学习率η、动量系数γ、迭代次数，通过等高线和损失曲线可视化标准GD、动量法、Nesterov加速梯度在细长谷地中的收敛方式的免费模拟器。

梯度下降动量Nesterov加速梯度机器学习

梯度下降法·优化算法可视化

Gradient Descent

SGD、Adam、RMSprop等优化算法在2D损失函数上的移动方式实时可视化。四种损失函数（Rosenbrock、Himmelblau等）可以直观理解机器学习优化的免费工具。

梯度下降AdamSGDRMSprop

层次聚类模拟器 — 凝聚型和树状图

Hierarchical Clustering Simulator — Agglomerative & Dendrogram

层次聚类模拟器实时可视化2D数据的凝聚型聚类和树状图。可以用单/完全/平均链接法和距离阈值控制聚类数。

层次聚类凝聚型树状图链接方法

图像卷积核模拟器

Image Convolution Kernel Simulator

免费模拟器，实时可视化3×3内核的图像卷积。切换锐化、模糊、边缘提取、Sobel、浮雕等内核，观察与输入图像的卷积结果和扫描线轮廓，直观学习卷积神经网络（CNN）机制。

图像卷积内核滤波器CNN

K-折交叉验证模拟器 — 多项式回归的阶数选择

K-Fold Cross-Validation Simulator — Polynomial Degree Selection

K-折交叉验证模拟器自动探索多项式回归的最优阶数 d。实时计算和可视化训练 MSE 和 CV MSE，用图表确认过拟合和汛化性能平衡的机器学习解析工具。

交叉验证K-fold多项式回归模型选择

k-均值聚类模拟器

k-Means Clustering Simulator

免费模拟器在浏览器上可视化k-均值聚类。改变聚类数 k、数据点数、初始化方法，体验Lloyd法的迭代、WCSS的收敛、肘法选择k的机器学习工具动画和图表。

k-均值聚类机器学习WCSS

k 近邻法（k-NN）2D 分类模拟器 — 决策边界和 LOO 精度

k-NN 2D Classifier Simulator — Decision Boundary and LOO Accuracy

k 近邻法（k-NN）2D 分类模拟器对3个类的学习数据，任意查询点的类用多数投票预测，实时可视化k值和决策边界的关系。也计算 LOO 交叉验证精度。

k 近邻法k-NN分类机器学习

Kriging 代理模型模拟器 — 高斯过程回归

Kriging Surrogate Model (Gaussian Process Regression) Simulator

Kriging（高斯过程回归）代理模型的预测值、95%置信区间、对数边际似然、RMSE 用 SE/Matérn3-2/Matérn5-2 内核可视化。从少数高成本评估点构建平滑插值函数的设计优化免费工具。

Kriging高斯过程回归GPR代理模型

学习曲线模拟器 — 过拟合·欠学习的诊断

Learning Curve Simulator — Diagnose Overfitting & Underfitting

接近的设计条件和主要指标的初期检讨，代表条件和主要指标的关系可以在同一屏幕读取的构成。

学习曲线过拟合欠学习偏差·方差

学习率计划模拟器

Learning Rate Schedule Simulator

免费模拟器可视化机器学习的学习率计划。三种方式（步衰减、指数衰减、余弦退火），改变初始学习率、总轮数、衰减参数，实时计算学习率变化和损失谷地下滚的球的行为。

学习率学习率计划步衰减指数衰减

线性SVM模拟器 — 软边界2D分类

Linear SVM Simulator — Soft-Margin 2D Classification

线性 SVM 的2D软边界分类，用次梯度下降法实时优化的模拟器。可视化铰链损失和 L2 正则化的平衡、最大边界超平面、支持向量、正则化系数 C 和噪声的影响。

线性SVM支持向量机软边界铰链损失

逻辑回归（2D 二分类）模拟器

Logistic Regression (2D Binary Classifier) Simulator

逻辑回归模拟器用sigmoid函数和交叉熵损失由梯度下降最小化，2D数据分为2个类。改变学习率、迭代次数、L2正则化，实时可视化线性决策边界和训练精度。

逻辑回归Sigmoid函数交叉熵梯度下降

高斯朴素贝叶斯分类模拟器 — 2D 三分类

Gaussian Naive Bayes Classifier Simulator — 2D, 3 Classes

高斯朴素贝叶斯分类模拟器，对于2特征量·3类分类问题，实时可视化对数事后概率和决策边界。调整查询点·σ移位·样本数，直观学习独立假设的效果。

朴素贝叶斯高斯分类机器学习

神经网络可视化工具

直观学习神经网络机制的可视化工具。可以实时查看正向传播和反向传播，通过XOR问题的学习过程可以理解机器学习的核心。还显示激活函数、损失曲线、决策边界，初学者到中级用户都能深入学习

神经网络反向传播XOR机器学习

主成分分析（PCA）模拟器 — 2D 数据的特征值分解

Principal Component Analysis (PCA) Simulator — Eigendecomposition for 2D Data

主成分分析（PCA）模拟器对2维相关数据，从协方差矩阵的特征值·特征向量实时计算主成分轴和贡献率。改变相关系数和标准偏差，直观学习数据的主变动方向。

PCA主成分分析协方差矩阵特征值

感知器学习模拟器 — 线性分类器的收敛

Perceptron Learning Simulator — Linear Classifier Convergence

感知器学习模拟器在浏览器上执行2输入简单感知器 y = sign(w1·x1 + w2·x2 + b) 的学习规则，对线性可分的2类数据可视化决策边界收敛到的过程。可调整学习率、轮数、初始权重。

感知器简单感知器线性分类决策边界

策略梯度法模拟器 — 强化学习

Policy Gradient Simulator

免费模拟器体验强化学习的策略梯度法（REINFORCE）。改变学习率、策略标准偏差、轮数、批大小、基线，可视化策略如何收敛到最优行为，基线如何减少梯度方差。

策略梯度法REINFORCE强化学习基线

池化层模拟器 — CNN

Pooling Layer Simulator — CNN

接近的设计条件和主要指标的相邻工具的移动之前，抓住支配性条件和指标关系的构成。

池化层最大池化平均池化下采样

Q学习模拟器 — 强化学习网格世界

Q-Learning Simulator — Reinforcement Learning Gridworld

免费模拟器在网格世界上体验强化学习的基础算法"Q学习"。改变学习率、折扣率、探索率、轮数，可视化智能体仅从报酬学习最优策略的过程、学习曲线、价值函数收敛。

Q学习强化学习网格世界ε-贪心

随机森林的多数投票 — 装袋和方差低减

Random Forest Majority Vote — Bagging and Variance Reduction

接近的设计条件和主要指标的初期检讨，代表条件和主要指标的关系可以在同一屏幕读取的构成。

随机森林装袋自助法多数投票

L1/L2正则化模拟器 — Lasso和Ridge

L1/L2 Regularization Simulator — Lasso vs Ridge

免费模拟器可视化机器学习的L1正则化（Lasso）和L2正则化（Ridge）的区别。改变正则化强度λ和原权重，实时比较软阈值导致的权重零化（稀疏化）和按比例缩小的行为。

L1正则化L2正则化LassoRidge

Softmax和交叉熵损失 — 分类学习的核心

Softmax and Cross-Entropy Loss — Core of Classification

Softmax和交叉熵损失模拟器从3分类的logit和温度参数实时计算概率分布和损失。改变温度T可视化分布的尖锐度和损失变化，学习分类模型学习的核心机制。

Softmax交叉熵crossentropy分类

谱聚类模拟器

Spectral Clustering Simulator

谱聚类的交互模拟：RBF、k-NN、余弦相似度矩阵，正规化图拉普拉斯 L=D^-1/2(D-W)D^-1/2 的特征值分解，半月形、同心圆等非凸数据完全分离的特征向量法可视化。与k-means比的改进率、特征值间隙、内存使用量即时计算。

谱聚类图拉普拉斯特征值分解特征向量

SGLD 随机梯度朗之万模拟器

Stochastic Gradient Langevin Dynamics (SGLD) Simulator

SGLD 随机梯度朗之万模拟器是追踪接近的设计条件和主要指标的当前值和变化趋势的页面。

SGLDStochastic Gradient Langevin DynamicsWelling TehBayesian Deep Learning

TF-IDF 矢量化模拟器

TF-IDF Vectorizer Simulator

改变文档数、单词出现次数、文档长度、包含该单词的文档数，实时计算 TF-IDF 的单词频率、逆文档频率、权重。将文章转换为数值向量，区分特征词和停用词的免费机器学习模拟器。

TF-IDF自然语言处理特征量矢量化

Transformer 注意力基础模拟器

Transformer Attention Basics Simulator

免费模拟器在3个令牌上体验Transformer核心的缩放点积注意力。改变各令牌的方向向量·查询·温度，注意权重·softmax·输出向量·注意熵实时显示。

Transformer注意力自注意缩放点积

权重初始化模拟器 — Xavier·He

Weight Initialization Simulator — Xavier & He

神经网络权重初始化（Xavier·He·零·小随机·大随机）对深层信号传播时激活分散的影响可视化。可以选择避免梯度消失、梯度爆炸的初始化的免费模拟器。

权重初始化Xavier初始化He初始化梯度消失

使用指南

从类别过滤器中选择"神经网络"或"支持向量机"
输入训练数据集的样本数（例如：1000件）和特征量维度（例如：50维）
设置学习率、轮数、激活函数并执行模拟
比较收敛曲线和错误率，确定最优参数

具体计算示例

钢铁疲劳分析的神经网络预测模型，训练数据800个样本，输入层15个神经元（应力、温度、加工历史等），隐藏层30个神经元（ReLU激活），输出层1个（剩余耐久时间）。学习率0.001、批大小32学习500轮后，验证数据MSE=0.0234，实测值相关系数R²=0.947，预测精度确认在±5%容差范围内。

实际工作中的注意事项

防止过拟合：训练数据/验证数据分割为8:2，早期停止在validation loss连续3轮未改善时触发
按材料调整参数：铝合金的批大小缩小到16，学习率降低到0.0005以保持汛化性能
排除异常值：测定误差超过±10%的数据点进行过滤排除