机器学习Sklearn——核函数、核函数在不同数据集上的表现、核函数的优势和缺点

目录

1 核函数

2 Sklearn中理解核函数

2.1 重要参数kernel

2.2 探索核函数在不同数据集上的表现

2.2.1 导入所需要的库和模块

2.2.2 创建数据集，定义核函数的选择

2.2.3构建一行4列子图

 2.2.4 构建子图

 2.2.5 进行子图循环

3、探索核函数的优势和缺陷

1 核函数

核函数的功能就是从低维度的空间向高维度空间转换的函数， 因为在低维空间不可以线性分类的问题到高维度空间就可以线性分类的。 其求法为   低维空间的点映射到高维空间的点后，两个点的内积 就是核函数。

核函数粗浅的理解 - 知乎

核函数的入门理解还是要从，将二维非线性问题转化为三维线性问题。

 小结：通过增加维度的方法来实现从非线性可分到线性可分。

2 Sklearn中理解核函数

2.1 重要参数kernel

在sklearn中参数kernel有以下几种选项

输入	含义	解决问题	核函数表达式	参数 gamma	参数 degree	参数 coef0
‘linear’	线性核	线性	K(x,y)=xTy=x⋅y	NO	NO	NO
‘poly’	多项式核	偏线性	K(x,y)=(γ(x⋅y)+r)d	YES	YES	YES
"sigmoid"	双曲正切核	非线性	K(x,y)=tanh(γ(x⋅y)+r)	YES	NO	YES
‘rbf	高斯径向基	偏非线性	K(x,y)=e−γ(x−y)2,γ>0	NO	NO	NO

可以看出，除了选项"linear"之外，其他核函数都可以处理非线性问题。多项式核函数有次数d，当d为1的时候它就是再处理线性问题，当d为更高次项的时候它就是在处理非线性问题。