内核设置Android显示比例,高斯核KernelScale按原始内核比例缩放的RBF西格玛参数 - 小众知识...

KernelScale - 一种策略是尝试按原始内核比例缩放的RBF西格玛参数的几何序列。

以下是几种常用的核函数表示：

线性核(Linear Kernel)

多项式核(Polynomial Kernel)

径向基核函数(Radial Basis Function)

也叫高斯核(Gaussian Kernel)，因为可以看成如下核函数的领一个种形式：

径向基函数是指取值仅仅依赖于特定点距离的实值函数，也就是

。任意一个满足

特性的函数 Φ都叫做径向量函数，标准的一般使用欧氏距离，尽管其他距离函数也是可以的。所以另外两个比较常用的核函数，幂指数核，拉普拉斯核也属于径向基核函数。此外不太常用的径向基核还有ANOVA核，二次有理核，多元二次核，逆多元二次核。

幂指数核(Exponential Kernel)

拉普拉斯核(Laplacian Kernel)

ANOVA核(ANOVA Kernel)

二次有理核(Rational Quadratic Kernel)

多元二次核(Multiquadric Kernel)

逆多元二次核(Inverse Multiquadric Kernel)

另外一个简单实用的是Sigmoid核(Sigmoid Kernel)

以上几种是比较常用的，大部分在SVM，SVM-light以及RankSVM中可用参数直接设置。还有其他一些不常用的，如小波核，贝叶斯核，可以需要通过代码自己指定。

使用fitcsvm的'OptimizeHyperparameters'名称 - 值对参数来查找最小化交叉验证损失的参数值。符合条件的参数是'BoxConstraint'，'KernelFunction'，'KernelScale'，'PolynomialOrder'和'Standardize'。有关示例，请参阅使用贝叶斯优化优化SVM分类器拟合。或者，您可以使用bayesopt函数，如使用bayesopt优化交叉验证的SVM分类器所示。 bayesopt功能可以更灵活地定制优化。您可以使用bayesopt函数来优化任何参数，包括使用fitcsvm函数时不适合优化的参数。

您也可以尝试根据此方案手动调整分类器的参数：

1、将数据传递给fitcsvm，并设置名称 - 值对参数'KernelScale'，'auto'。假设训练的SVM模型被称为SVMModel。该软件使用启发式程序来选择内核比例。启发式程序使用子采样。因此，要重现结果，请在训练分类器之前使用rng设置一个随机数种子。

2、交叉验证分类器通过传递给交叉。默认情况下，软件进行10倍交叉验证。

3、将交叉验证的SVM模型传递给kFoldLoss以估计并保留分类错误。

4、重新调整SVM分类器，但调整'KernelScale'和'BoxConstraint'名称 - 值对参数。BoxConstraint - 一种策略是尝试框约束参数的几何序列。例如，从1e-5到1e5取11个值10倍。增加BoxConstraint可能会减少支持向量的数量，但也可能会增加训练时间。

KernelScale - 一种策略是尝试按原始内核比例缩放的RBF西格玛参数的几何序列。做到这一点：

a.使用点符号检索原始内核比例，例如ks：ks = SVMModel.KernelParameters.Scale。

b.用作原始内核的比例因子。例如，将ks乘以11个值1e-5到1e5，增加10倍。

选择产生最低分类错误的模型。您可能想要进一步优化您的参数以获得更好的准确性。从您的初始参数开始，并执行另一个交叉验证步骤，这次使用的因子为1.2。

用高斯内核训练SVM分类器。。

这个例子展示了如何生成一个具有高斯核函数的非线性分类器。首先，在单元圆盘内部生成一类二维点，然后在半径为1到半径2的圆环中生成另一类点。然后，根据具有高斯径向基函数内核的数据生成分类器。由于模型是圆对称的，因此默认的线性分类器显然不适合这个问题。将框约束参数设置为Inf以进行严格分类，这意味着不存在错误分类的训练点。其他内核函数可能不适用于这种严格的框约束，因为它们可能无法提供严格的分类。即使rbf分类器可以分离类，结果也可能会过度训练。

生成均匀分布在单位磁盘上的100个点。为此，生成半径r作为均匀随机变量的平方根，在(0，)中均匀生成一个角度t，并将该点置于(rcos(t)，rsin(t))。