Python3入门机器学习之9.4RBF核函数

Python3入门机器学习

9.4 RBF核函数

1.什么是高斯核函数:
在这里插入图片描述
在这里插入图片描述
2.多项式特征为什么可以处理非线性的问题?
添加多项式的特征使得原本线性不可分的数据变成线性可分,其实是依靠升维使得原本线性不可分的数据变成线性可分。
如下图,比如原本的数据就是一维数据,很显然这组数据是线性不可分的。
在这里插入图片描述
但是,我们添加上多项式特征的话,相当于是在升维,不但让这个数据点有一个横轴x值,还有第二个维度的值,我们假设为x的平方。如下图,这些数据点在x轴上的位置是不变的,不过在y轴上也相应的有一个取值了,这个取值就是x的平方。一旦这样做了,数据就变成了线性可分的。这就是升维的意义。
在这里插入图片描述
其实高斯核做的事情本质也是这样的。
为了方便可视化,首先对核函数进行一个改变:将y的值固定一下(y的值不取样本点,而取固定的点),取两个点当固定点(l1、l2(乘坐地标))。高斯核函数做的升维过程是:对于原本的每一个x值,如果有两个地标的话,就将它升维成二维的样本点。这个二维的样本点每一个样本的取值如下:

在这里插入图片描述
这样我们就将原本一维的样本点映射到了二维的空间。

在这里插入图片描述
在这里插入图片描述

当我们使用高斯核函数的时候计算开销是非常大的,但尽管如此还是存在一些应用很适合高斯核函数,最典型的应用就是样本维度非常高,但是样本数据量可能并不多。换句话说,如果数据有m<n的特点的话,使用高斯核函数就很划算了。典型的应用是自然语言处理领域。
3.RBF核函数中的参数gamma:
在这里插入图片描述

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值