SVM-支持向量机学习(6):非线性SVM和核函数
来源:互联网 发布:无限制搜索工具mac 编辑:程序博客网 时间:2024/06/01 18:18
1. foreword
对于线性可分问题和线性问题,都已经有很好的解决方案为了。对于非线性问题,产生了非线性SVM,关键在于核技巧(kernel trick)的引用。
如图,对于正负样本无法用直线分开。采用椭圆这样的非线性模型才可正确分开。
对于T,若可用R中的一个超曲面正确分开,则称该问题为非线性的可分问题。如图的椭圆方程为:
现在我们考虑一个映射
此时新的空间中,可用线性SVM来完美解决。新空间的直线方程为:
可以看到,非线性问题,可完美转化为线性问题解决:
- 用变换将原空间的data映射到新空间
- 新空间中用线性分类方法求解
这叫做核技巧。更有趣的是,SVM的对偶形式可非常自然的应用核技巧。
2. 核函数与核技巧
核函数
X 是输入空间,H 是特征空间,若有映射函数
核技巧:我们只定义个
慢慢解释为什么这叫做核技巧。所谓技巧,巧妙之技也。
通常计算
举例:
解:
当
可取
将每个2维的点,映射为3维的点。
当
可取
将每个2维的点,映射为4维的点。
可以看出,给定核函数
那问题来了:如何搞定
答案是:我们不用定义
为什么不用定义呢?
你看在线性SVM中,仅涉及输入实例与实例之间的内积
本来,处理流程是这样的:
现在可以直接这样:
为什么可以这样?
都是以为SVM的目标函数的对偶形式是这样的:
我们就可以直接:
这么完美,有对偶形式的付出,有核函数的付出。
3. 核函数的要求
那既然重点放在核函数上。讨论下核函数。对某个具体的
通常:核函数就是正定核函数(positive definite kernel function)。
正定核函数的充要条件:待续。涉及矩阵的正定矩阵等基本概念。待填。
4. 常用核函数
对某个具体的函数,验证其是否为正定核并不容易,实际中往往用已有核函数。
4.1 线性核函数
这就是SVM的线性表达。即线性SVM是非线性SVM的特殊情况,当非线性SVM的核函数为线性核时,退化为线性SVM。
4.2 多项式核函数
polynomial kernel function。
对应的SVM是一个p次多项式分类器。此时分类决策函数是
p = 1时退化为线性核。
4.3 高斯核函数
对应的SVM是高斯径向基函数分类器。在此情况下分类决策函数是:
高斯核也称为RBF核(Radial basis function,径向基函数)。径向基函数的基本概念。
基本经验:对文本数据通常采用线性核,情况不明时可先尝试高斯核。
4.4 拉普拉斯核
4.5 sigmoid核函数
tanh为双曲正切曲线。S形曲线,将sigmoid函数中点下移至原点的样子。
对核函数也可以线性组合。如
5. 非线性SVM的学习算法
将线性SVM扩展为非线性SVM,只需要将对偶形式的内积转化为核函数。
算法:非线性SVM的学习算法
(1)选取适当的核函数
求得最优解
k(x,z) 为正定核时,凸二次规划问题必存在解。
(2)选择乘子中的
(3)构造决策函数。
- SVM-支持向量机学习(6):非线性SVM和核函数
- 机器学习之支持向量机SVM Support Vector Machine (二) 非线性SVM模型与核函数
- 支持向量机(SVM)非线性数据分割
- SVM笔记(五) 非线性支持向量机
- SVM(支持向量机)---学习和理解
- 支持向量机SVM核函数分析
- Kernel SVM (核函数支持向量机)
- 选择支持向量机(SVM)核函数
- SVM-支持向量机学习(3):线性SVM
- SVM(支持向量机)学习笔记
- 支持向量机(SVM)学习笔记
- 机器学习---支持向量机(SVM)
- 机器学习:支持向量机(SVM)
- 机器学习-支持向量机(SVM)
- 机器学习(支持向量机-SVM)
- 支持向量机SVM学习
- SVM-支持向量机学习(4):再谈线性SVM-正则化合页损失函数
- 支持向量机SVM(三)核函数
- 恶意代码分析实战 Lab 3-2 习题笔记
- python之SSH(交互式和非交互式)
- windows下secureCRT远程连接Linux错误
- RPM方式安装MySQL5.7 (CentOS 6.7)
- JMeter默认报告优化
- SVM-支持向量机学习(6):非线性SVM和核函数
- 依赖注入与控制反转
- Nginx反向代理DEmo
- window.scroll(To)为什么不能在页面load完成后自动滚动?
- springdata笔记记录
- 希尔伯特矩阵(Hilbert matrix)
- 微信小程序--后端管理平台7管理页面分页显示
- Windows 下 根据进程名获取进程ID 以及该进程下所有窗口的句柄
- 初识OkHttp(一)