【NeurIPS 2021】Softmax-free Transformer with Linear Complexity(数学概念补充)
高斯核:
线性支持向量机 (Linear-SVM) 被用于线性可分的数据集的二分类问题,而当数据集不是线性可分的时候,需要利用到核函数将数据集映射到高维空间,这样数据在高维空间中就线性可分。
例如下面的数据就是线性不可分的:
这是一个在当前空间下不可分的情况,我们可以利用核函数将数据映射到高维空间:
这个线性平面,返回到原来空间就是一个形状类似椭圆的决策边界:
这样就把问题解决了,从而找到了原空间的非线性分类边界。这个原空间的复杂,实质上是由高维空间的简单演绎过来的。
高斯核函数(Gaussian kernel),也称径向基(RBF)函数,是常用的一种核函数。它可以将有限维数据映射到高维空间,我们来看一下高斯核函数的定义: