【SVM】为什么RBF核可以将向量映射到无穷维

最新推荐文章于 2023-09-26 21:21:05 发布
最新推荐文章于 2023-09-26 21:21:05 发布
阅读量1.4k 收藏 3
点赞数 4
分类专栏： 机器学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yh1226/article/details/88080296
版权

本篇文章整理自知乎：SVM中，高斯核为什么会把原始维度映射到无穷多维？

      在svm中，我们试图在一个更高维的空间中找到一个超平面将数据线性可分，但是在寻找高维空间的时候可能存在维度爆炸。于是我们想到了核函数，一种在低维空间中代替高维空间中做内积运算的一个函数 k(x_{i},x_{j}) ,使得 k(x_{i},x_{j})=\Phi (x_{i})\Phi (x_{j})。

       对于rbf核,其表达式为：

 针对最后一项，根据泰勒展开式：

最低0.47元/天 解锁文章
杨海er
关注
  • 4
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
径向基函数(RBF)：如何将向量映射到无穷维？
qq_42148307的博客
03-20 1951
引言 假如气球是红黑颜色各涂一半的，爆炸之后落在地上时各色碎片相互交错，基本没有一条二维曲线可以将其分开，但是在气球没有爆炸之前，是不是可以用一个平面将两种颜色的‘碎片’分开呢，是不是完全可分呢？因此，低维数据若不可分，将其映射到高维空间，没准就准确、简单地分开了。 径向基函数 核函数：一种在低维空间中代替高维空间中做内积运算的一个函数,使得 RBF的表达式为： 根据泰勒展式： 可得： 得到对应的映射函数为： 可以看出将映射到了无穷维，越小高维向量的值越大。如何找到...
[机器学习]SVM中高斯核函数为什么能映射到无穷维度
weixin_40479663的博客
10-18 6704
核函数: 高斯核函数: 根据泰勒公式，e的指数函数可以写成无穷维的多项式函数， 高斯函数中有e的指数函数，通过推导可以得出两个e的指数函数相乘的形式。进而高斯核函数就可以表示为无穷维空间的多项式内积了. 核函数的价值在于它虽然也是将特征进行从低维到高维的转换，但核函数是事先在低维上进行计算，而将实质上的分类效果表现在了高维上，也就如上文所说的避免了直接在高维空间中的复杂计算。 ...
SVM（核函数、高斯核函数RBF）
Toby的博客
07-03 1万+
转载自博客园：https://www.cnblogs.com/volcao/p/9465214.html 机器学习：SVM（核函数、高斯核函数RBF） 一、核函数（Kernel Function） 　1）格式 K(x, y)：表示样本 x 和 y，添加多项式特征得到新的样本 x'、y'，K(x, y) 就是返回新的样本经过计算得到的值； 在 SVM 类型的算法 SVC() 中，K(x, y) 返回点乘：x'.y'得到的值； 　2）多项式核函数 业务问题：怎么分类非线性可分的样本的分类？...
支持向量机（SVM）和径向基函数（RBF）内部工作原理详解
数据派THU
07-23 2025
来源：我得学城 本文约3000字，建议阅读7分钟本文将探讨支持向量机（SVM）的工作原理，结合Python代码示例和直观的可视化。本文涵盖了以下主题： - SVM分类算法所属的算法类别 - 算法的工作原理解释 - 什么是核函数（kernels），以及它们在SVM中的使用方式？ - 通过Python示例和图表更详细地了解RBF核函数文章选自：https://towardsdatascienc...
SVM高斯核为何会将特征映射到无穷维？【转载】
weixin_34174422的博客
02-28 763
转自:https://www.zhihu.com/question/35602879 1.问题： SVM中，对于线性不可分的情况下，我们利用升维，把低维度映射到到维度让数据变得“更可能线性可分”，为了避免维度爆炸，我们巧妙的运用了核函数，避免了在高维度空间的计算，而只需要在低维度空间进行计算。对于核函数，有： 多项式核： 高斯核: 对于多项式核，我们把低维度映射到高维度，我们可以...
SVM中，高斯核为什么会把原始维度映射到无穷多维?
上善若水
05-05 8114
我还是自己写一下我的理解吧，对于高斯核为什么可以将数据映射到无穷多维，我们可以从泰勒展开式的角度来解释，首先我们要清楚，SVM中，对于维度的计算，我们可以用内积的形式，假设函数： 表示一个简单的从二维映射到三维。则在SVM的计算中，可以表示为：再来看泰勒展开式：所以这个无穷多项的式子正是对于的近似，所对应的映射：再来看高斯核：将泰勒展开式带入高斯核，我们得到了一个无穷维度的映射：那么，对于和的内积...
支持向量机SVM学习——多项式核函数、RBF核函数
m0_58700887的博客
07-18 2795
支持向量机SVM学习——多项式核函数、RBF核函数
PSO-SVM.zip_PSO优化SVM_RBF SVM_RBF支持向量机_svm参数优化_优化rbf
07-15
在SVM中，RBF（Radial Basis Function）核函数是最常用的非线性核，它能够将数据映射到高维空间，从而解决非线性可分问题。然而，SVM的性能很大程度上取决于两个关键参数：惩罚参数C和核函数参数γ。这两个参数的...
SVM.rar_PYTHON SVM_SVM 对比_支持向量机_高斯核svm
09-19
当数据不是线性可分时，SVM引入核函数进行非线性映射，将数据转换到更高维度的空间，在这个空间中找到最优的超平面。高斯核（RBF）是最常用且强大的核函数之一，它以指数形式衡量两个输入向量之间的相似度，公式为：...
svm.rar_slightlyjtu_支持向量机_核函数
09-24
核函数是SVM处理非线性问题的关键，它能够将原始特征空间映射到一个更高维的空间，在这个新空间中，原本难以分隔的数据可能变得线性可分。常见的核函数有线性核、多项式核、高斯核（也称为径向基函数，RBF）和...
SVM案例练习_SVM_支持向量机
09-10
SVM通过核函数实现非线性映射，如线性核、多项式核、高斯核（RBF）等，使得原本线性不可分的数据在高维空间中变得可分。支持向量是离超平面最近的那些训练样本，它们对确定超平面至关重要。 SVM回归： 在回归任务中...
svm.rar_kernel matlab_svm 分类_核函数_核函数 支持向量机
09-24
SVM的目标是找到一个最优超平面，该超平面可以将不同类别的数据点最大程度地分离。这个超平面由最大边界（Margin）定义，即与最近的数据点距离最远的间隔。在二维空间中，这表现为一条直线；在更高维度，它可以是更...
SVM核函数RBF的参数
热门推荐
若水斋
04-17 4万+
SVM的核函数RBF有两个参数，gamma和C，本文阐明了这两个参数的影响。参数gamma定义了单个训练样本的影响大小，值越小影响越大，值越大影响越小。参数C在误分类样本和分界面简单性之间进行权衡。低的C值使分界面平滑，而高的C值通过增加模型自由度以选择更多支持向量来确保所有样本都被正确分类
5.1-机器学习——SVM支撑向量机原理之（核函数，RBF，SVM解决回归问题）
u013153465的博客
07-19 2210
我们在了解核函数前，我们先将线性向量机公式变形 具体的过程可以自行查阅下资料，我们这里还是主要以介绍核函数为主 变形之后的式子： 看我们红色方框框出来的，因为这个式子是由一个线性的svm变形过来的，如果我们想对这个式子添加多项式的话。 我们以前的思路将我们红框进行变形： 现在，我们希望能设计出一个函数，可以直接计算出我们的，而不用先将X(i),X(j)变形，然后再做点乘即： 代...
支持向量机(svm)--核函数
AI_dataloads的博客
09-26 6848
本文介绍了核函数的基本概念、原理、性质和计算方法，并探讨了其在机器学习中的应用和优化方法。通过选择合适的核函数，可以有效地提高机器学习算法的性能和结果，处理高维x_%7Bi%7Dx_%7Bj%7Dx_%7Bi%7Dx_%7Bj%7D%5Cgammax_%7Bi%7Dx_%7Bj%7D。
SVM 中 rbf kernel 的意义 —— 一个不怎么严谨的解释
iSummer的专栏
09-03 2万+
http://discussions.youdaxue.com/t/svm-rbf-kernel/6088 在我们机器学习的过程中，很多同学包括我自己也疑惑过rbf kernel函数的实际作用是什么？不同的参数又有什么作用。 上周我参加了上海的夏令营，这里就是我们讨论的结果。 首先我们要知道Support Vector Machine到底是什么东西。看过课程视频的同学都是到，SVM旨在将
机器学习：SVM（scikit-learn 中的 RBF、RBF 中的超参数 γ）
ab1213456的博客
08-13 2744
一、高斯核函数、高斯函数 μ：期望值，均值，样本平均数；（决定告诉函数中心轴的位置：x = μ） σ2：方差；（度量随机样本和平均值之间的偏离程度：，为总体方差，为变量，为总体均值，为总体例数） 实际工作中，总体均数难以得到时，应用样本统计量代替总体参数，经校正后，样本方差计算公式：S^2= ∑(X-) ^2 / (n-1)，S^2为样本方差，X为...
chromedriver-mac-arm64_126.0.6474.0.zip
最新发布
07-31
chromedriver-mac-arm64_126.0.6474.0.zip
支持向量机(SVM)详解：从线性分类到核函数
核函数能够将原始特征映射到高维空间，使得在高维空间中可以找到一个线性的决策边界。常见的核函数有线性核、多项式核、高斯核（RBF）等，它们允许SVM处理非线性问题，而无需直接操作高维空间中的数据。 4. 松弛...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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