关于核函数

一、SVM为什么要引入核函数

事实上,大部分时候数据并不是线性可分的,这个时候满足这样条件的超平面就根本不存在。我们知道SVM可以处理线性可分的情况,那么对于非线性的数据SVM咋处理呢。SVM的处理方法是选择一个核函数K(x1,x2),通过将数据映射到高维空间,来解决在原始空间中线性不可分的问题。

二、核函数的原理

核函数是将数据映射到更高维的空间后处理,但不用做这种显式映射,而是先对两个样本向量做内积,然后用核函数映射。

这等价于先进行映射,然后再做内积。

三、核函数在SVM中如何使用

                 

四、有哪些核函数

1)线性核函数

2)多项式核函数

3)RBF核函数(高斯核函数)

4)sigmoid核函数

è¿éåå¾çæè¿°

介绍下核函数相对应的参数:

1)对于线性核函数,没有专门需要设置的参数;

2)对于多项式核函数,有三个参数,d用来设置多项式核函数的最高次项次数,默认为3. gamma,默认值是1/k(k是类别数). r用来设置核函数中的coef,默认值是0。

3)对于RBF核函数,有一个参数,gamma,默认值是1/k(k是类别数)。

4)对于sigmoid函数,有两个参数,-g用来设置核函数中的gamma参数设置,也就是公式中的第一个r(gamma),默认值是1/k(k是类别数)。-r用来设置核函数中的coef0,也就是公式中的第二个r,默认值是0。

五、SVM的核函数如何选取?

一般用线性(Linear)核和高斯(RBF)核

需要注意的是,需要读数据归一化处理

一般RBF的效果不会差于Linear,但是时间上RBF会耗费更多

下面是吴恩达的见解:

1.如果feature的数量很大,跟样本数量差不多,这时候选用LR或者是Linear Kernel的SVM

2.如果feature的数量很小,样本数量一般,不算大也不算小,选用SVM+Gaussian Kernel

3.如果feature的数量比较小,而样本数量很多,需要手动添加一些feature变成第一种情况。

 

 

 

 

 

  • 1
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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