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

对二维数据进行 T 次 AdaBoost 迭代，使用深度为1的决策树桩作为弱分类器。可视化样本权重和最终强分类器的决定边界，学习为什么弱学习器的组合能实现高精度。

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默认优化器 Adam。调整学习率α、β₁、β₂与迭代次数，通过等高线、损失曲线以及与普通梯度下降的对比，直观理解一阶／二阶矩与偏差修正的作用。。

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

在线 1D 线性自编码器模拟器：将 10 维信号经 K 维瓶颈压缩后由线性解码器重构，使用 SGD 训练。学习曲线与重构柱状图直观展示线性 AE 等价于取前 K 个主成分的 PCA。

自编码器线性AE维数减少PCA

批量归一化模拟器

Batch Normalization Simulator

深度学习批量归一化（Batch Normalization）可视化模拟器：调整批量均值与标准差、缩放参数γ、平移参数β，实时计算归一化值x̂与BN输出y，直观理解内部协变量偏移的抑制效果与训练加速原理。。

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

将机器学习的泛化误差分解为"偏差²、方差、噪声"三个部分进行可视化的工具。改变多项式模型的次数，实时观察欠拟合（高偏差）和过拟合（高方差）的权衡关系，以及总误差呈U形的现象。

偏差方差权衡过拟合欠学习

协同过滤模拟器

Collaborative Filtering Simulator

免费协同过滤模拟器：体验基于用户的推荐系统如何预测评分。调整评分矩阵、近邻数 k、相似度指标（余弦或皮尔逊）与稀疏度，实时可视化预测误差、相似用户与冷启动问题。

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

由混淆矩阵计算 precision、recall、F1 和 specificity，并观察假阳性与假阴性的权衡。

交叉熵 vs MSE 损失模拟器

Cross-Entropy vs MSE Loss Simulator

比较二分类损失函数的交互式模拟器。调整逻辑值 z 与真实标签 y，即可实时看到交叉熵损失、MSE 损失及其梯度，直观理解为何模型自信地犯错时 MSE 梯度会消失，而交叉熵成为分类标准损失。。

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 k 折交叉验证（k-fold cross-validation）在线模拟器：调节样本数 N、分割数 k、模型复杂度、噪声与偏差，实时计算训练 MSE、CV MSE、标准误差与泛化差距，直观理解偏差方差权衡并判断过拟合。

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 2D 点集实时应用基于密度的聚类，根据 ε 与 MinPts 判定核心点、边界点与噪声，发现任意形状的聚类。直观学习 ε 与 MinPts 的取值影响。

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

本文介绍一款决策分析期望值计算工具，可基于概率与价值计算期望货币价值(EMV)，辅助确定最优决策方案。支持实时决策树可视化、概率分布分析及龙卷风图敏感性分析，帮助用户直观评估风险与收益，提升复杂决策的科学性与效率。

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

2分类问题中3种不纯度指标在一个图表中对比。改变类比率和分割方式，直观学习为什么CART使用基尼系数，为什么误分类率不适合作为分割标准。

决策树不纯度Gini熵

Dropout 正则化模拟器

Dropout Regularization Simulator

免费交互式 Dropout 模拟器：调整保留概率 p、层神经元数量与随机种子，实时可视化丢弃掩码、保留数量的二项分布、1/p 反向 Dropout 缩放以及 2ⁿ 子网络总数，直观理解神经网络正则化。

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

弹性网（Elastic Net，Zou & Hastie 2005）回归在线模拟器：调节混合比 α 与正则化强度 λ，实时显示被选特征数、有效自由度、真阳性率／假阳性率与 MSE。在 Lasso 与 Ridge 之间体验相关特征的分组选择效应。

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使用RBF核对一维数据进行GP回归，实时计算并可视化预测均值与95%置信带。调整观测点数、长度尺度、信号方差和噪声，直观理解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

本文通过实时可视化技术，生动展示了遗传算法在优化多变量函数过程中的完整进化机制。内容详细解析了选择、交叉、变异等核心操作如何逐步驱动种群向最优解收敛，并以动画形式直观呈现了算法迭代中解空间的搜索与优化轨迹。阅读本文，您将清晰理解遗传算法的工

遗传算法优化进化计算元启发式

梯度提升模拟器

Gradient Boosting Simulator

浅回归树这样的"弱学习器"逐树逐次拟合残差，堆积组成强预测器，这就是梯度提升。改变树的数量、学习率、深度、噪声，实时体感训练误差如何下降、何处进入过拟合。

梯度提升提升集合学习回归树

梯度裁剪模拟器

Gradient Clipping Simulator

梯度裁剪模拟器：调整裁剪阈值、学习率与学习步数，观察按范数裁剪、按值裁剪与不裁剪如何在悬崖型损失地形上防止梯度爆炸，用等高线与损失、梯度范数曲线可视化深度学习训练稳定性。。

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

支持机器学习学习的优化算法体验工具。调整学习率和动量系数，可以实时看到普通梯度下降法、动量法、Nesterov加速梯度如何在细长谷地中下降，轨迹显示在等高线上，损失收敛曲线同时绘制。

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

梯度下降优化器可视化工具：实时交互模拟SGD、Adam、RMSprop在Rosenbrock、Himmelblau等损失面上的轨迹。直观理解机器学习优化原理，使用，助您深入掌握算法性能。

梯度下降AdamSGDRMSprop

层次聚类模拟器 — 凝聚型和树状图

Hierarchical Clustering Simulator — Agglomerative & Dendrogram

对二维数据进行凝聚式层次聚类并实时绘制树状图。可切换single/complete/average三种连接法，通过距离阈值控制簇的数量，直观理解层次聚类的工作机制。

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

免费图像卷积核模拟器：切换锐化、模糊、高斯、边缘检测、Sobel、浮雕等3×3卷积核，实时观察输入图像、卷积输出与中央扫描线曲线，直观理解卷积神经网络（CNN）的核心运算。

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

在线 K 折交叉验证模拟器：对一维数据拟合多项式回归，实时计算训练 MSE 与 CV MSE，自动选择最佳次数 d，可视化过拟合临界点，免费体验偏差-方差权衡。

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

免费的 k-均值聚类交互式模拟器。改变聚类数 k、数据点数与初始化方式，在浏览器中观看 Lloyd 算法迭代、WCSS 收敛以及肘部法则选择 k 的全过程，配有动画与图表。

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

针对3个类的2D学习数据进行k-NN分类可视化。改变k值、查询点、学习数据分散程度，直观学习决策边界形状和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

免费 Kriging（高斯过程回归 GPR）代理模型模拟器：在 SE / Matérn 3/2 / Matérn 5/2 核下可视化预测均值、95% 可信区间、对数边际似然与 RMSE。调节相关长度、信号方差与块金值，体验贝叶斯优化与 CAE 代理模型的核心思想。

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

通过学习曲线（学习数据量对应的训练误差和验证误差图表）诊断机器学习模型是否存在过度拟合或欠拟合。实时调整模型复杂度、数据量、噪声和正则化，观察两条曲线的收敛情况。

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

免费的机器学习学习率调度模拟器：可视化阶梯衰减、指数衰减与余弦退火三种方式，调整初始学习率、总轮数与衰减参数，实时观察学习率推移与小球以学习率为步幅下降损失谷的过程。

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

使用次梯度下降法在线训练线性 SVM 解决二维软间隔分类问题。可视化合页损失与 L2 正则化的权衡、最大间隔超平面、支持向量，以及正则化系数 C 和噪声对决策边界的影响。

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

逻辑回归模拟器通过梯度下降最小化交叉熵损失，对 2D 数据进行 Sigmoid 二分类。实时调整学习率、迭代次数和 L2 正则化，可视化线性决策边界、概率等高线与训练精度。

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

2个特征的高斯朴素贝叶斯分类器的可视化。假设每个类的1D正态分布相互独立，选择使对数后验最大化的类进行预测。决策边界和后验概率实时变化。

朴素贝叶斯高斯分类机器学习

神经网络可视化工具

神经网络可视化工具：实时展示前向传播与反向传播过程，支持sigmoid、ReLU、tanh激活函数，直观呈现XOR训练、损失曲线与决策边界，助您深入理解神经网络工作原理。

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）模拟器对二维相关数据计算协方差矩阵的特征值与特征向量，实时显示主成分轴和贡献率。通过调节相关系数和标准差，直观学习数据的主要变化方向与降维原理。

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

2输入简单感知器 y = sign(w1·x1 + w2·x2 + b) 的学习规则可视化。对线性可分数据，决策边界收敛过程可通过改变学习率和初始值进行观察。

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

免费的策略梯度（REINFORCE）模拟器。调整学习率、策略标准差、训练回合数、批大小与基线，观察高斯策略如何收敛到最优动作，并直观了解基线如何降低梯度方差、稳定学习。

策略梯度法REINFORCE强化学习基线

池化层模拟器 — CNN

Pooling Layer Simulator — CNN

免费的 CNN 池化层模拟器：切换最大池化与平均池化，调整池化窗口、步幅与输入特征图，实时查看输出尺寸、下采样率与运算次数，直观理解卷积神经网络如何对特征图进行下采样。

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

体验强化学习基础算法Q学习的工具，在迷宫般的网格世界中运行。改变学习率、折扣率、探索率，实时观看代理如何仅凭报酬来学习到达目标的最优路径，以及价值函数的收敛过程。

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

使用bootstrap重采样与特征子采样训练T棵决策树并以多数表决预测。通过对比单树精度与决策边界的平滑程度，直观理解集成为何能降低方差。

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

可视化机器学习中 L1 正则化（Lasso）与 L2 正则化（Ridge）差异的免费模拟器。调整正则化强度 λ 与原始权重，实时比较软阈值带来的权重归零（稀疏化）与按比例缩小的不同行为。

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 与交叉熵损失模拟器，根据三分类的对数几率与温度参数实时计算概率分布与损失值。改变温度 T 可观察分布锐化或平滑的变化，直观理解分类模型的核心训练机制。

Softmax交叉熵crossentropy分类

谱聚类模拟器

Spectral Clustering Simulator

交互式谱聚类模拟器：构建 RBF、k 近邻、余弦三种亲和度矩阵，对归一化图拉普拉斯 L=D^-1/2(D-W)D^-1/2 做特征值分解，并在低维特征向量空间运行 k-means。半月形、同心圆等非凸形状被一刀切干净，k-means 无法做到。

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

随机梯度朗之万动力学（SGLD, Welling & Teh 2011）的交互式模拟器：调整步长、批大小、噪声强度与数据规模，实时可视化随机偏差、朗之万噪声、有效样本数与 R̂ 收敛指标，直观掌握贝叶斯深度学习的不确定性量化。。

SGLDStochastic Gradient Langevin DynamicsWelling TehBayesian Deep Learning

TF-IDF 矢量化模拟器

TF-IDF Vectorizer Simulator

免费 TF-IDF 计算器：调整语料文档数、词出现次数、文档长度与文档频率，实时计算词频、逆文档频率与 TF-IDF 权重，将文本转为数值向量并区分特征词与停用词。

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

免费交互式模拟器，演示 Transformer 核心的缩放点积注意力。调整三个词元方向向量、查询与温度，即可实时看到注意力权重、softmax、输出向量与注意力熵的变化，直观理解注意力如何形成。

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

可视化深层神经网络中输入信号正向传播时，活性化分布如何在各层间变化。切换初始化方法，直观观察信号消失（梯度消失）、发散（梯度爆炸）或保持稳定的现象。

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