高斯核还没弄清楚,先马一下。
按我理解高斯核主要是用来处理非线性数据集,
解决非线性问题的另一种技术是添加相似特征,这些特征经过相似函数计算得出,相似函数可以测量每个实例与一个特定地标之间的相似度。以前面提到过的一维数据集为例,在x1=-2和x1=1处添加两个地标(见图5-8中的左图)。接下来,我们采用高斯径向基函数(RBF)作为相似函数
这是一个从0(离地标差得非常远)到1(跟地标一样)变化的钟形函数。现在我们准备计算新特征。例如,我们看实例x1=-1:它与第一个地标的距离为1,与第二个地标的距离为2。因此它的新特征为x2=eps(-0.3×12)≈0.74,x3=eps(-0.3×22)≈0.30。图5-8的右图显示了转换后的数据集(去除了原始特征),现在你可以看出,数据呈线性可分离了。
与多项式特征方法一样,相似特征法也可以用任意机器学习算法,但是要计算出所有附加特征,其计算代价可能非常昂贵,尤其是对大型训练集来说。然而,核技巧再一次施展了它的SVM魔术:它能够产生的结果就跟添加了许多相似特征一样(但实际上也并不需要添加)。
在sklearn的SVC模型中,由超参数gamma(γ)和C控制模型复杂度,增加gamma值会使钟形曲线变得更窄,因此每个实例的影响范围随之变小:决策边界变得更不规则,开始围着单个实例绕弯。反过来,减小gamma值使钟形曲线变得更宽,因而每个实例的影响范围增大,决策边界变得更平坦。所以γ就像是一个正则化的超参数:模型过拟合,就降低它的值,如果欠拟合则提升它的值。与C超参数类似。