核方法通过映射非线性问题至高维空间，使数据变得线性可分，其中核函数扮演关键角色，它等价于高维空间的内积。高斯核作为常用核函数，能将数据映射到无穷维，并通过调整参数σ适应不同情况。Mercer定理用于验证核函数的有效性。高斯核可看作无限多项式核的和。
参考： 机器学习中的核函数与核方法（是什么？为什么？怎么做？）
简介
核方法：对于非线性问题，通过引入核函数：
对特征进行映射 （如上图的二维到三维。通常映射后的维度会更高），就是将一个空间中的特征转换到另外一个空间，这就是空间转换（映射）的意义，即可以将原来线性不好分的数据转换到另外一个空间，在这个空间中可以用一个超平面线性可分。
而核函数就等于就是高维空间的内积，也是低维空间中内积的某个函数。
即：相比映射到高维再进行复杂运算，核函数的作用是先在低维进行运算，再映射到高维。
补充说明
为什么用核函数？ 在机器学习中，求解的过程常用到内积，而变换后的高维空间的内积我们不好求，所以定义了这个核函数，可以把高维空间的内积运算转化成低维空
最低0.47元/天 解锁文章
扫一扫
570
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
