1.高维空间比低维空间更易线性可分
2.核函数是关于两个向量参数的函数
3.正定核函数等于两个向量参数映射到高维空间的内积
4.正定核函数等价于gram matrix是半正定的
5.常用的核函数有线性核、多项式核、Sigmoid核、RBF核、拉普拉斯核、卡方核
6.RBF核函数的本质就是将每一个样本点映射到无穷维的特征空间
背景介绍
在一些线性不可分的场景中,常常要用到一些非线性转化的方法,把低维空间映射到高维,使得其线性可分。比如支持向量机场景下的分类模型,对于二维空间下的以下四个点及其对应的分类:
可以看到,在该空间上,这两类线性不可分,就是找不到一条直线,使得将其分开。
我要对这些点做一个映射,将其映射至三维空间,比如做如下映射
做这样的映射后,可以将二维空间转换到三维上:
可见,只要一个超平面,就能把两个类别分开。
所以,在很多低维线性不可分的场景中,我们做一个高维的转化,就能使其线性可分。且,天才数学家们发现了一个定理
Cover Theme:高维空间比低维空间更易线性可分
因此,很多机器学习的场景,都利用到了高维转化。比如支持向量机,高斯过程回归等。
很多优化场景中,我们对高维转化的本身并不关心,只关心其转化后内积的结果(上述提到的SVM如是),如果在高维空间上做内积,计算将十分繁杂并且对计算机的性能要求非常高。
为此,我们能不能想到一