(轉載請注明出處：http://blog.csdn.net/buptgshengod)

1.背景知識

? ?前面我們提到的數(shù)據(jù)集都是線性可分的，這樣我們可以用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(shù)據(jù)集時候，是不是svm就不起作用了呢？這里用到了一種方法叫做核函數(shù)，它將低維度的數(shù)據(jù)轉換成高緯度的從而實現(xiàn)線性可分。 ? ? ?可能有的人不明白為什么低維度的數(shù)據(jù)集轉換成高維度的就可以實現(xiàn)線性可分，下面摘抄一個網(wǎng)上的例子解釋一下?？聪旅孢@個圖，我們設紅色的區(qū)域是一組數(shù)據(jù) ，而直線ab除了紅色區(qū)域以外是另一組數(shù)據(jù)。因為直線是一維的，所以我們無法找到一條直線區(qū)分這兩組數(shù)據(jù)。
? ? ? ? 單是當我們把這組數(shù)據(jù)引入二維之后，我們可以得到一組曲線，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。

? ? ? 我們通過這個例子可以看到核函數(shù)的作用，因為svm的結果只跟向量內積有關系，所以我們可以配合核函數(shù)實現(xiàn)任意數(shù)據(jù)集的分類。如果有人問，如果就是有一定的點數(shù)使得我們無論增加多少維度都不能實現(xiàn)分類，這就是引用松弛變量的意義，忽略這一部分點，因為它們很有可能是噪聲。

2.代碼部分

? ? ?因為核函數(shù)有很多種類，比較常用的就是徑向基核函數(shù)（RBF），這個準確率是比較高的。公式：
K = exp(K/(-1*kTup[1]**2))


? ??

總結

以上是生活随笔為你收集整理的【机器学习算法-python实现】svm支持向量机(3)—核函数的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。