机器学习-支持向量机-核函数(三)
好难啊,难哭了,再听两遍
从低维到高维
特征空间由低维映射到高维
用线性超平面对数据进行分类
映射的结果
当映射为五维时
这四个就线性可分了
将训练样本由低维到高维可以增大线性可分的概率
优化问题
低维时 wi 与 xi 的维度相同
高维时 w的维度与 φ(xi) 相同
高维情况下优化问题的解法与低维情况是完全类似的
核函数的定义
k(x1,x2) 为核函数,是一个实数
φ(x1) 和 φ(x2) 是维度相同的列向量
核函数以及低维到高维的映射 φ(x) 之间的相互关系
已知核函数K求映射φ的例子
优化问题
核函数K和映射φ是一一对应的关系
核函数的形式不能随意的取
需要满足一定的条件
才能分解为两个φ内积的形式
C是比例系数
本博客所有文章除特别声明外,均采用 CC BY-NC-SA 4.0 许可协议。转载请注明来自 时间海!
评论