RBF函数，全称径向基函数，是SVM中的核函数之一，特别是高斯核函数，其形式为exp(-||x-xc||^2 / (2*σ)^2)。RBF作为非线性映射，能将数据从低维空间映射到高维，以实现更好的分类。核函数的作用是进行非线性变换，使得在高维空间中数据更易分离。根据Mercer定理，半正定函数可作为核函数，且高斯核函数因其广泛应用和良好性能，常作为首选。其他常用核函数包括线性、多项式和sigmoid核函数，各自有不同的适用场景和特性。
参考：
SVM入门（七）为何需要核函数
svm常用核函数
机器学习—核函数
RBF函数
所谓径向基函数 (Radial Basis Function 简称 RBF), 就是某种沿径向对称的标量函数。可记作 k(||x-xc||)。
最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||2 / (2*σ)2) } 其中xc为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。由于这个函数类似于高斯分布，因此称为高斯核函数，也叫做径向基函数(Radial Basis Function 简称RBF)。它能够把原始特征映射到无穷维。
核函数
核函数的基本作用：在低维中计算高维数据的点积。
将低维数据映射到高维，希望在这个更高维的空间中，数据可以变得更容易分离或更好的结构化。核函数提供了一个从线性到非线性的连接以及任何可以只表示两个向量之间的点积的算法。
核函数的性质
1.连续&
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
