写作背景:很多时候数据在低维空间的时候很难将它们区别开来,所以需要借助核函数将其映射到高维空间中,例如谱聚类,SVM等算法。但是一开始,这其中的原理很多人不知道(例如我啦,哈哈哈),因此有了这篇简单的文章_
1.核函数的作用及意义
低维计算,高维表现
2.高斯核函数为什么能将原始空间映射为无穷维空间?
思路:从泰勒展开式的角度来解释,如下:
e x e^x ex的泰勒展开式为:
(1) e x = 1 + x + x 2 2 ! + x 3 3 ! + ⋯ + x n n ! e^x = 1+x+\frac{x^2}{2!}+\frac{x^3}{3!}+\cdots +\frac{x^n}{n!} \tag 1 ex=1+x+2!x2+3!x3+⋯+n!xn(1)
可以看到:式(1)是一个无穷多项的式子。
而高斯核函数为:
(2) k ( x 1 , x 2 ) = e ( − ∣ ∣ x 1 − x 2 ∣ ∣ 2 2 σ 2 ) k(x_1,x_2) = e^{(-\frac{||x_1-x_2||^2}{2\sigma^2})} \tag 2 k(x1,x2)=e(−2σ2∣∣x1−x2∣∣2)(2)
将泰勒展开式带入式(2)中,可以得到一个无穷维度的映射,如下:
(3) k ( x 1 , x 2 ) = 1 + ( − ∣ ∣ x 1 − x 2 ∣ ∣ 2 2 σ 2 ) + ( − ∣ ∣ x 1 − x 2 ∣ ∣ 2 2 σ 2 ) 2 2 ! + ( − ∣ ∣ x 1 − x 2 ∣ ∣ 2 2 σ 2 ) 3 3 ! + ( − ∣ ∣ x 1 − x 2 ∣ ∣ 2 2 σ 2 ) n n ! k(x_1,x_2) = 1+(-\frac{||x_1-x_2||^2}{2\sigma^2})+\frac{(-\frac{||x_1-x_2||^2}{2\sigma^2})^2}{2!}+\frac{(-\frac{||x_1-x_2||^2}{2\sigma^2})^3}{3!}+\frac{(-\frac{||x_1-x_2||^2}{2\sigma^2})^n}{n!} \tag 3 k(x1,x2)=1+(−2σ2∣∣x1−x2∣∣2)+2!(−2σ