Kernels（similarity）核函数

基于在SVM中定义新的特征变量进行核函数讲解

• 使用核函数的目的：用以构造复杂的非线性分类器

Andrew NG的机器学习视频有提供比较易懂的讲解，上图：

• 在构建高阶特征的时候，我们并不知道这些特征是不是我们需要的。且高阶特征变量计算量巨大，因此构造新特征 f 辅助计算。
  

• 这里把高斯函数作为相似度函数来替代高阶特征变量

• 当x靠近标记的时候，f1的值逼近1
• 当x远离标记的时候，f1的值逼近0
• 所以这些新特征变量的作用就是度量 x 到标记 l 的相似度

• 当x 与标记点重合的时候，f1值为1.
• 当 $\sigma^2$的值减小时，x从与 l 标记值重合的地方开始移动时，降到0的速度会加快。
• 当σ2σ2