加核函数的svm

        之前说过：“线性的svm永远是直线，那能否让它曲折一点？”

有！：加核函数，对特征做非线性处理。

这样的特征如果用线性svm决对不能达到想要的结果

 

那如果我把桌子’啪’！拍了一下呢？

 这就是“核”，将不能在此维度所分类的点，放入高纬度中去。

先来介绍一下多项式核：

 SVC多项式核:

 把问题转化成

 然后将xixj放入一个函数（多项式核函数）中：

 就是这样：

 SVC-高斯核：

 高斯核是一个对应无限空间的核函数，用泰勒展开式：

 无限空间的矢量表达式

图像处理，用庞大的库预测等

 高斯核里的参数：gamma，在分母上所以，越大就越窄，越小就越宽

 

SVM多分类问题：

        上面指出的都是二分类问题，那怎么用svm多分类？

OvO与OvR：

OvR

one vs rest，即一对剩余所有，如字面意思，有的时候称为OvA，one vs all

如果选A，则B与C视为一类进行svm分类，以此类推，有三个分类器 ，选择预测概率高的就是结果

OvO

one vs one，即一对一，就是进行一对一的比较

 A对B，B对C，A对C构建三个svm分类器

 最后，选择赢数最高的分类结果

这两种本质上还是二分类