SVM支援向量機系列理論(三) 非線性支援向量機與核函式技巧
阿新 • • 發佈:2018-11-26
3.1 核技巧解決非線性SVM
3.1.1 非線性SVM解決思路
對於非線性分類問題,顯然無法用一個線性分離超平面來把不同的類別的資料點分開,那麼可以用以下思路解決這個問題:
首先使用一個變換 將非線性特徵空間x對映到新的線性特徵空間z
在新的z特徵空間裡使用線性SVM學習分類的方法從訓練資料中學習分類模型
基於這個想法,SVM模型可以表示成:
但是,這裡有一個問題: 計算起來要分兩步,先對映x到z空間,然後在z空間(一般是較高維度)作高維度的內積 。
為了簡化這個運算過程,如果我們找到一個核函式 , 即K是關於x的函式,其運算在低維空間上進行,然後使得 ,那麼只需要計算一個比較好計算的核函式 ,就可以避免先對映,再在高維空間內積的複雜運算。
3.1.2 核技巧下SVM
基於核技巧,非線性SVM模型可以表示成:
其中,