非线性支持向量机与核函数

 我来答
大沈他次苹0B
2022-07-09 · TA获得超过7326个赞
知道大有可为答主
回答量:3059
采纳率:100%
帮助的人:178万
展开全部
如果能用 中的一个超曲面将正负例正确分开,则称这个问题为非线性可分问题。对应下图的例子,通过变换将左图中椭圆变换称右图中的直线,将非线性分类问题变换为线性分类问题。

核技巧的基本想法是通过一个非线性变换将输入空间(欧式空间 或离散集合)对应于一个特征空间(希尔伯特空间 ),使得在输入空间 中的超曲面模型对应于特征空间 中的超平面模型(支持向量机)。

设 是输入空间(欧式空间 或离散集合), 是特征空间(希尔伯特空间),如果存在一个从 到 的映射:

使得对所有 ,函数 满足条件:

则称 为核函数, 为映射函数,式中 为 和 的内积。

在线性支持向量机的对偶问题中,无论是目标函数还是决策函数都只涉及输入实例与实例之间的内积,它们都可以用核函数 来代替。这等价于经过映射函数 将原来的输入空间变换到一个新的特征空间,将输入空间中的内积 变换为特征空间中的内积 ,在新的特征空间里从训练样本中学习线性支持向量机。

在实际应用中,往往依赖领域知识直接选择核函数,核函数选择的有效性需要通过实验验证。

对应的支持向量机是一个p次多项式分类器

将线性支持向量机扩展到非线性支持向量机,只需将线性支持向量机对偶形式中的内积换成核函数即可。

线性可分训练数据集 ,其中 , , 。

求得最优解 。

当 是正定核函数时,第一步中的式子是凸二次规划问题,解是存在的。
已赞过 已踩过<
你对这个回答的评价是?
评论 收起
推荐律师服务: 若未解决您的问题,请您详细描述您的问题,通过百度律临进行免费专业咨询

为你推荐:

下载百度知道APP,抢鲜体验
使用百度知道APP,立即抢鲜体验。你的手机镜头里或许有别人想知道的答案。
扫描二维码下载
×

类别

我们会通过消息、邮箱等方式尽快将举报结果通知您。

说明

0/200

提交
取消

辅 助

模 式