SVM-核函数

1.1 SVM非线性可分-核函数
在上一章节中，我们首先假设数据在原始空间上是线性可分的，在这样的前提条件下，我们知道如何求解最大间隔分类器$f(x)=w^Tx+b=\sum_{i=1}^m \alpha_i y^{(i)}<x^{(i)},x>+b$。但实际上，大多数情况下，数据可能并不是线性可分，你无法在原始数据空间上寻找到这样一条分类超平面，使得数据线性可分。

比如，下面这个例子，很明显蓝色点和红色点应该被归类为两个类别，数据本身又是线性不可分的。但是很容易想到，一个理想的分类界面应该是位于两类数据中心的“圆”而不是直线。（转自：http://blog.csdn.net/v_july_v/article/details/7624837）

那么尝试将这个假想的分界面用数学表达进行描述。如果以$X,Y$表示二维空间的两个坐标，那么分界面圆的方程可以表示为，

$$a_1X+a_2X^2+a_3Y+a_4Y^2+a_5XY+a_6=0$$
有趣的是，我们可以通过构造另外一个五维度的空间，且其各个坐标值分别为， $Z_1=X,Z_2=X^2,Z_3=Y,Z_4=Y^2,Z_5=XY$，那么上面的式子可以表达为，
$$\sum_{i=1}^5a_iZ_i+a_6=a_1Z_1+a_2Z_2+a_3Z_3+a_4Z_4+a_5Z_5+a_6=0$$
显然在新构造的五维空间下，这个“圆”分界面变成线性的了！那么，可以考虑，如果将所有原始空间的数据通过映射关系: $\varnothing:R^2\rightarrow R^5$,从原始的二维空间映射为五维空间，数据将有可能变成线性可分的。
$$\varnothing(X,Y)=[X,X^2,Y,Y^2,XY]^T$$

++++++
如果数据在变换后的高维空间（在上面的例子中是五维度）上是线性可分的，那么我们就可以在这个变换的空间上采用线性SVM计算最优间隔分类器对数据进行分类处理了。SVM在处理线性可分数据时分类器形式为，

$$f(x)=\sum_{i=1}^m\alpha_i y^{(i)}<x^{(i)},x>+b$$
假设映射关系 $\varnothing(x)$可以将原始数据映射到特征空间F，且在该空间下，数据是线性可分的，那么在这个空间上的SVM分类器就表示为，

$$f(x)=\sum_{i=1}^m\alpha_i y^{(i)}<\varnothing(x^{($$