核函数以及SMO算法实现手写数字识别

本文介绍了如何利用核函数和SMO算法解决非线性分类问题,特别是在手写数字识别中的应用。核心内容包括核技巧的概念,如何将非线性问题转化为线性问题,以及核函数在支持向量机中的作用,详细阐述了核函数的定义和类型,如linear和RBF核,并探讨了它们在不同场景下的适用性。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

核函数使用以及SMO算法实现手写数字识别

核技巧

什么是核函数
解决什么问题

1.非线性分类问题–使用核技巧解决的问题

非线性分类问题是指利用非线性模型才能很好的进行分类的问题
如图:这里写图片描述

实质上是将非线性问题 — 转化为线性问题
设原空间为 χR2,x=(x(1),x(2))Tχ χ ⊂ R 2 , x = ( x ( 1 ) , x ( 2 ) ) T ∈ χ 新空间为 ZR2,z=(z(1),z(2))TZ Z ⊂ R 2 , z = ( z ( 1 ) , z ( 2 ) ) T ∈ Z
定义从原空间到新空间的变换(映射):
z=ϕ(x)=((x(1))2</

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值