1.直观理解
通常意义上的kernel method 主要由两种解释:一是相似性的度量;二是特征映射。
在详细引入kernel的工作之前,以支持向量机 SVM 为例说明kernel方法,因为它是SVM 模型中的一种典型应用。为了演示,下面是支持向量机的样子。
在这里可以直观观察到将绿点与蓝点分开的超平面。超平面比环境空间小一维。在上图中,我们有代表环境空间的二维空间,划分或分类空间的唯一维度比环境空间少一维,称为超平面。
如果输入数据如下:
通常意义上的kernel method 主要由两种解释:一是相似性的度量;二是特征映射。
在详细引入kernel的工作之前,以支持向量机 SVM 为例说明kernel方法,因为它是SVM 模型中的一种典型应用。为了演示,下面是支持向量机的样子。
在这里可以直观观察到将绿点与蓝点分开的超平面。超平面比环境空间小一维。在上图中,我们有代表环境空间的二维空间,划分或分类空间的唯一维度比环境空间少一维,称为超平面。
如果输入数据如下: