分类：支持向量机(四)——非线性支持向量机

最新推荐文章于 2022-05-27 14:26:46 发布

hgz_dm

最新推荐文章于 2022-05-27 14:26:46 发布

阅读量4.7k

点赞数 4

分类专栏：算法与模型文章标签： SVM 非线性

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/huguozhiengr/article/details/88531092

版权

本文介绍了如何处理线性不可分数据，通过引入非线性支持向量机和核函数的概念，使得在高维空间中实现数据线性化。常见的核函数如线性、多项式和高斯核（RBF）被讨论，以解决实际分类问题。

摘要由CSDN通过智能技术生成

前面介绍的支持向量机都是在数据线性可分条件下的，但我们拿到训练数据时，并不一定能知道数据是否线性可分，低维数据可以通过可视化的方式观察是否线性可分，而高维数据则很难判断其是否线性可分了。对线性不可分数据强行构建线性支持向量机分类可能会导致很差的分类效果，本篇博文就介绍一下如何在数据线性不可分条件下构建非线性支持向量机。

1.非线性情况

在二维空间中，考虑如下一组数据

无论如何都找不到一条直线将两组数据(红色和蓝色的点)合理的分隔开，但是图中红色的圆能将这两组数据完美的分隔开，那按照线性SVM中最优分类超平面的思路，我们能不能找到一个最优的分类圆呢？在这个例子中我相信是可以的(尽管我没实践过)，但一般情况下很难决定用什么几何特征来实现数据的分隔，一方面是因为无法有效的可视化这些数据，另一方面是因为在高维空间中很难定义几个几何图形，那这种情况下该怎么考虑？我们能不能将非线性特征转化为线性特征呢？答案是可以的，做法就是建立一个新的维度空间，并且定义新的坐标值，还是以圆为例，在二维空间中，圆的方程式为

$a_{0}+a_{1}X_{1}+a_{2}X_{1}^{2}+a_{3}X_{2}+a_{4}X_{2}^{2}+a_{5}X_{1}X_{2}=0$

我们建立一个新的5维空间，将该5维空间中每个坐标轴定义如下：

$A_{1}:X_{1}$
$A_{2}:X_{1}^{2}$
$A_{3}:X_{2}$
$A_{4}:X_{2}^{2}$
$A_{5}:X_{1}X_{2}$

那么在这个新的5维空间中，圆的方程为：

最低0.47元/天解锁文章

关注

4
点赞
踩
13

收藏

觉得还不错? 一键收藏
0
评论
分类：支持向量机(四)——非线性支持向量机

前面介绍的支持向量机都是在数据线性可分条件下的，但我们拿到训练数据时，并不一定能知道数据是否线性可分，低维数据可以通过可视化的方式观察是否线性可分，而高维数据则很难判断其是否线性可分了。对线性不可分数据强行构建线性支持向量机分类可能会导致很差的分类效果，本篇博文就介绍一下如何在数据线性不可分条件下构建非线性支持向量机。1.非线性情况在二维空间中，考虑如下一组数据...
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。