低维数据通过核函数映射到高维空间(Gaussian Radial Basis Function)

参考

下面是一段matlab代码,可以实现利用Gaussian Radial Basis Function将低维数据映射到高维空间,以二维数据为例:

生成一个2D平面

figure;
axis([-10 10 -10 10])
hold on
grid on;

这里写图片描述

利用鼠标在该2D平面上取两组点

初始化

red = []; %存放第一组点,红色点
  • 3
    点赞
  • 31
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
在支持向量机(Support Vector Machine,SVM)中,核函数是一种用于将数据从原始特征空间映射高维特征空间的技术。它可以帮助SVM在非线性问题上进行分类或回归。 常见的核函数有以下几种: 1. 线性核函数(Linear Kernel):线性核函数是最简单的核函数,它在原始特征空间和高维特征空间中的映射是相同的,即不进行任何映射操作。它适用于线性可分的问题。 2. 多项式核函数(Polynomial Kernel):多项式核函数数据映射高维特征空间,并使用多项式函数来计算两个样本之间的相似度。它可以处理一些非线性问题,但对于复杂的非线性问题可能效果不佳。 3. 核函数Gaussian Kernel):核函数也称为径向基函数Radial Basis Function,RBF)核函数,它将数据映射到无穷维的特征空间,并使用斯分布来计算两个样本之间的相似度。核函数在处理非线性问题时表现较好。 4. 拉普拉斯核函数(Laplacian Kernel):拉普拉斯核函数也是一种常用的非线性核函数,它使用拉普拉斯分布来计算两个样本之间的相似度。与核函数相比,拉普拉斯核函数在边界附近的样本分类上更加平滑。 5. Sigmoid核函数(Sigmoid Kernel):Sigmoid核函数数据映射高维特征空间,并使用Sigmoid函数来计算两个样本之间的相似度。它适用于一些非线性可分的问题,但在实际应用中使用较少。 这些核函数可以根据具体问题的特点选择合适的核函数来提SVM的分类或回归性能。
评论 3
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