rbf核函数_SVM核函数的直观解释

通俗易懂的解释SVM核函数。

作者：Lili Jiang
编译：McGL
公众号：PyVision（欢迎关注，专注CV，偶尔CS）

An Intuitive Explanation of Kernels in Support Vector Machine (SVM)

https://towardsdatascience.com/an-intuitive-explanation-of-kernels-in-support-vector-machine-svm-9ef366e8d5fb

简而言之，内核（kernel）是一种捷径，可以帮助我们更快地进行某些计算，否则就会涉及到更高维空间的计算。这听起来相当抽象。在这篇博文中，我将向你们展示一个只需要基本算术的简单例子。

---

一个简单的例子:
有一个三维向量 x = (x1，x2，x3)。我们将操作 f (x)定义为: f (x) = (x1x1，x1x2，x1x3，x2x1，x2x2，x2x3，x3x1，x3x2，x3x3)。换句话说，它希望x每个对相乘，并生成一个9维向量。
让我们代入数字，使它更直观！假设 x = (1, 2, 3); y = (4, 5, 6)。则:

f(x) = (1, 2, 3, 2, 4, 6, 3, 6, 9)

f(y) = (16, 20, 24, 20, 25, 30, 24, 30, 36)
出于某种原因，我们实际上并不关心 f(x)和 f(y)。我们只想知道点积，<f(x), f(y)> 。点积是指 f(x)的第一维乘以 f(y)的第一维，f(x)的第二维乘以 f(y)的第二维，...... f(x)的第九维乘以 f(y)的第九维，我们把它们加起来。所以:

<f(x), f(y)> = 16 + 40 + 72 + 40 + 100+ 180 + 72 + 180 + 324 = 1024
很多代数！主要是因为 f 是从三维空间到九维空间的映射。尽管最终的答案只是一个数字，但我们必须在中间“膨胀” ，在九维空间中完成所有这些乏味的计算，然后才能浓缩成单个数字。

如果我告诉你有捷径呢？
我声称，“核” K(x, y ) = (<x, y>)², 达到了同样的效果。也就是说，我们在 x 和 y，而不是 f(x)和 f(y) 上做点积，然后平方。
让我们来测试一下:
备注: x = (1, 2, 3); y = (4, 5, 6)

<x, y> = x1y1 + x2y2 + x3y3 = 1 x 4 + 2 x 5 + 3 x 6 = 32

K(x, y) = (<x, y>)² = 32² = 1024

瞧，同样的结果。但是这个计算要容易得多，因为我们只在三维空间中进行操作。我们从未涉足九维空间！

---

数学定义:
现在让我们继续讨论数学形式。

K(x, y) = <f(x), f(y)>
K 表示核函数。这里 x，y 是 n 维输入。f 是从 n 维到 m 维空间的映射。通常 m 比 n 大得多。内核是一个函数，它接受 x 和 y 作为输入，得到与 <f(x),f(y)> 相同的结果，而无需计算 f(x)和 f(y)。
内核的另一个美妙之处在于: 它们允许我们在无限维中做事情！f(x)可以是从 n 维到无限维的映射，因此不可能先写出 f(x) 和 f(y) ，然后再做点积。内核给了我们一个绝妙的捷径。其中一个例子就是径向基核函数（RBF）内核。与SVM的关系:

这与SVM有什么关系？SVM的思想是 y = w phi (x) + b，其中 w 是权重，phi 是特征向量，b 是偏差。如果 y > 0，那么我们把数据分为1类，否则分为0类。我们希望找到一组权重和偏差，使边际最大化。一些教材说，内核使SVM的数据线性可分。我认为一个更精确的说法是，内核不会使数据线性可分。特征向量 phi (x) 使数据线性可分。内核是使计算过程更快、更容易，特别是在特征向量 phi 维度很高的情况下。

为什么它也可以被理解为相似性的度量:

如果我们把以上内核的定义 <f(x), f(y)> 放到 SVM 和特征向量的场景中，它变成了 <phi(x), phi(y)>。点积是指 phi(x)在 phi(y)上的投影，或者通俗地说，x 和 y 在特征空间中有多少重叠。换句话说，他们有多相似。点积是用来度量相似性的; 内核只是用来达到点积效果，而不需要实际上做 f(x)和f(y)之间点积的一种方法。