當我們要去判斷一個非線性的區域，我們會選擇用非線性

函數來擬合。

問題是?能不能選擇別的特征變量?或者有沒有比這些高階項更好的特征變量?

因為?我們并不知道?這些高階項是不是我們真正需要的?我們之前談到?計算機

視覺的時候?提到過這時的輸入是一個有很多像素的圖像?我們看到如果用高階項

作為特征變量?運算量將是非常大的?因為?有太多的高階項需要被計算?

?

構建核函數（這里用高斯核函數）

k（x,l⁽ⁱ⁾）是高斯核函數的簡寫。

?

用高斯核函數來計算兩者的相似度：

?

?

通過計算我們能得到三個新的特征變量f1,f2,f3。

?

例子我們選一個l(1)，得到他的高斯函數

下圖為他的三維坐標圖，在（3，5）這點高斯函數的值為1.

?

二維圖：

?

σ取值對核函數的影響：

我們發現σ越小梯度越大，反之梯度越小。

?

通過轉換變量我們可以得到如下的預測函數：

?

從哪里去得到l點

直接用訓練樣本作為標識點

?

計算相應的新的特征值：

相應的預測函數和代價函數：

?

θ^TMθ為運算技巧，對結果不會產生較大影響，會提高運算速度。

?

核函數的偏差和方差：

?

轉載于:https://www.cnblogs.com/zhengzhe/p/7411072.html

總結

以上是生活随笔為你收集整理的支持向量机核函数的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。