【机器学习入门到精通系列】SVM与核函数（附程序模拟！）_svm 核函数方法机器学习例题-优快云博客

本文链接：https://blog.youkuaiyun.com/weixin_43838785/article/details/108470588

本文深入探讨了核函数的本质，解释了为何在低维度线性不可分的数据通过映射到高维空间可以变得可分。重点讨论了Linear核和RBF核的适用场景及优缺点，并通过程序模拟展示了如何使用高斯核将线性不可分的一维数据转换为线性可分的二维数据。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

1 核函数本质
2 选取
3 程序模拟
- 3.1 模拟数据集
- 3.2 经过高斯核，得到新的数据集！

1 核函数本质

1.在实际数据上经常遇到线性不可分的情况而解决方法是将特征映射到更高维的空间去(为什么低维度线性不可分的情况映射到高维度就可以分了？).
2.凡是遇到线性不可分的情况一律映射到高维度空间会出现维度爆炸的情况
3.核函数虽然也是将特征进行从低维到高维的转化但是是在低维上进行计算而实际的效果表现在高维上解决了维度爆炸的问题

2 选取

在我的工作中，最常用的是Linear核与RBF核。1. Linear核：主要用于线性可分的情形。参数少，速度快，对于一般数据，分类效果已经很理想了。2. RBF核：主要用于线性不可分的情形。参数多，分类结果非常依赖于参数。有很多人是通过训练数据的交叉验证来寻找合适的参数，不过这个过程比较耗时。我个人的体会是：使用libsvm，默认参数，RBF核比Linear核效果稍差。通过进行大量参数的尝试，一般能找到比linear核更好的效果。至于到底该采用哪种核，要根据具体问题，有的数据是线性可分的，有的不可分，需要多尝试不同核不同参数。如果特征的提取的好，包含的信息量足够大，很多问题都是线性可分的。当然，如果有足够的时间去寻找RBF核参数，应该能达到更好的效果。