学习笔记——支持向量机svm（3）kernel trick（核函数）

回顾

上一篇讲到了svm的对偶问题：

将svm的算法维度（w维度）由vc维变成了跟数据量N，但是这样真的就完全简化了么？在我们求Q这个矩阵时，需要先将x转化为z，然后再做内积，复杂度是d^2。在这一篇我们就要介绍一种可以简化这个步骤的方法~传说中的核函数。

核函数

引入概念

假设我们要做的x到z的转换是一个二次转换：

然后我们做一下内积：

化简化简，突然发现先转换为z空间再做内积的步骤可以直接转化为关于x的内积了。一下子将复杂度减少成了d~好神奇！
写成公式表示过程：
直接用一步来代替了原来的两步。

应用场景

在计算Q矩阵时，计算参数b时，还有进行test的时候都可以用到核函数来进行提速。
在这里我们也彻底摆脱了对于数据vc维的依赖，完全只是依赖输入数据的维度：
最后问题变成了这样：

核函数变形

我们可以把之前的二次核函数做一些变形：

这样变换之后会对应不一样的内积结果，同样的也对应了不同的几何性质：

这里可以看出用不同的γ，对应出不同的边界和支持向量。
这个问题进一步扩展到更高次变换上：

Q对应了Q次的空间上的一种变换，当然Q越大，表述能力越强，但是也要小心更容易overfit。
所以这里可以想到最简单的核函数，线性核函数:

线性first是很好的习惯，有可能效果非常好：）

超级核函数

我们会想，有没有存在一种核函数，他可以表述无限大空间的变换呢？开心的告诉你~有的：

利用一个泰勒展开，就可以拆成一个无线维度的转换了，当然这个东西怎么被想出来的我也不知道~只能orz~
更概括的讲：

我们把这个种核函数叫做高斯核函数。
当使用高斯核函数时：

预测结果是多个高斯函数的再支持向量上的线性组合。又被成为RBF kernel。
不同参数的高斯核函数：

当γ过大时会产生很强的overfit，所以就算无限维度核函数svm依然不能摆脱过拟合的大坑~