SVM中關於核函式的理解

2021-09-26 22:59:22 字數 410 閱讀 7117

如果訓練樣本不是線性可分的,那麼只要樣本的屬性是有限個,就可以將其對映高維特徵空間,使這些樣本線性可分.

(問題:為什麼要讓這些樣本線性可分?)

當對映到高維空間後,想要得到模型(function),那麼計算難度是非常大的.此時我們可以使用核函式來簡化計算.

那麼什麼樣的函式可以作為核函式呢?

只要乙個對稱函式所對應的核矩陣半正定,它就能作為核函式使用.

但是在不知道特徵對映的形式時,我們並不知道什麼樣的核函式是合適的,於是,核函式選擇成為svm的最大變數,這方面有一些經驗和一些常用核函式.

SVM中的核函式

1 核函式本質 核函式的本質可以概括為如下三點 1 實際應用中,常常遇到線性不可分的情況 針對這種情況,常用做法是把樣例特徵對映到高維空間中,轉化為線性可分問題。2 將樣例特徵對映到高維空間,可能會遇到維度過高的問題 3 針對可能的維災難,可以利用核函式。核函式也是將特徵從低維到高維的轉換,但避免了...

關於SVM核函式的選擇

今天去面試的時候,面試官問了我乙個問題 svm的核函式如何選擇?我說試試吧,答案可能也對,但這樣會浪費時間。上網搜尋了一下,andrew的說法是 1.當樣本的特徵很多時,特徵的維數很高,這是往往樣本線性可分,可考慮用線性核函式的svm或lr 如果不考慮核函式,lr和svm都是線性分類演算法,也就是說...

關於核函式和SVM的幾點思考

今天了解了一些rbf徑向基 高斯 核函式的問題,順便又了解了一下svm分類,從了解的情況來看我對核函式是什麼,為什麼要用核函式以及svm裡的結構風險最小化 structure risk minimization,簡稱 srm 也有了更加深入的了解。首先,核函式是為了解決樣本在低維不可分的問題而引入的...