支持向量机算法学习笔记（三）

前两节介绍了支持向量机的线性分类，若遇到非线性的样本分布（如下图），线性分类就不能解决了。

支持向量机有两种方法可以完成非线性分类：一种是坐标映射，一种是核函数转换。

1. 坐标映射

若我们有坐标映射函数，使低维特征空间映射为高维特征空间，低维空间不能线性分类的情况，高维空间可线性分类。

如上图的二维空间，支持向量机不能线性分类。若我们将二维空间映射为五维空间，则能进行线性分类。

目标函数的表达式在样本内积之前，先对样本进行高尺度映射。

这种方法的缺点是：若原始数据的特征是二维的，那么映射的特征空间是五维；原始数据的特征空间是五维的，映射的特征空间是19维的，当原始数据的特征空间是上千维度的，映射的特征维度是爆炸性增长，计算样本内积时，计算量大大的增加。

2. 核函数

在低维度的尺度下，样本间的核函数k(x,z))相当于映射为高维度下的样本内积，即：

较常用的核函数有：线性核函数，多项式核函数和高斯核函数。核函数比较抽象，若自己定义一个的话比较难，一般情况下是调用已知的核函数。本节主要介绍高斯核函数，也是用的最多的一种。

高斯核函数

公式：

含高斯核函数的目标函数可写成：

计算每个样本的参数。

最后得到包含高斯核函数的分类超平面：

根据分类超平面的表达式，我们可以大概知道核函数的含义。

含义：计算每一个样本与其他样本的相似度，再乘以系数α，计算sign函数内的值是否大于0，连接sign函数内等于0的所有样本点，就是我们要求的分类超平面。

若用核函数进行非线性分类，相比于特征映射，分类超平面不会那么有规则。以第一节的例子作为对比，核函数的分类超平面如下图：

与第一节的坐标映射相比，最优超平面不再那么有规则了。

欢迎扫码关注：