【機器學習算法-python實現】svm支持向量機(3)—核函數
阿新 • • 發佈：2019-03-21
pla fontsize .cn python view 分類 數據 方法 color
版權聲明：本文為博主原創文章，未經博主同意不得轉載。 https://blog.csdn.net/gshengod/article/details/24983333
![技術分享圖片]()
? ? ? ? 單是當我們把這組數據引入二維之後。我們能夠得到一組曲線，它在ab直線上部分指向黑色直線部分，ab直線下部指向紅色部分。![技術分享圖片]()
? ? ? 我們通過這個樣例能夠看到核函數的作用，由於svm的結果僅僅跟向量內積有關系。所以我們能夠配合核函數實現隨意數據集的分類。
? ??
(轉載請註明出處：http://blog.csdn.net/buptgshengod)
1.背景知識
? ?前面我們提到的數據集都是線性可分的。這樣我們能夠用SMO等方法找到支持向量的集合。然而當我們遇到線性不可分的數據集時候，是不是svm就不起作用了呢？這裏用到了一種方法叫做核函數，它將低維度的數據轉換成高緯度的從而實現線性可分。由於直線是一維的，所以我們無法找到一條直線區分這兩組數據。
? ? ? ? 單是當我們把這組數據引入二維之後。我們能夠得到一組曲線，它在ab直線上部分指向黑色直線部分，ab直線下部指向紅色部分。
? ? ? 我們通過這個樣例能夠看到核函數的作用，由於svm的結果僅僅跟向量內積有關系。所以我們能夠配合核函數實現隨意數據集的分類。
假設有人問，假設就是有一定的點數使得我們不管添加多少維度都不能實現分類，這就是引用松弛變量的意義。忽略這一部分點，由於它們非常有可能是噪聲。
2.代碼部分
? ? ?由於核函數有非常多種類，比較經常使用的就是徑向基核函數（RBF）。這個準確率是比較高的。公式： K = exp(K/(-1*kTup[1]**2))? ??
【機器學習算法-python實現】svm支持向量機(3)—核函數