文章目录1 sdbwb内核函数定义二维案例32二维案例3 sdbwb内核将数据映射到高维或无限维的原理
线性支持向量机(Linear-SVM )用于可线性分离数据集的二分类问题，其中当数据集不能线性分离时，需要利用核函数将数据集映射到高维空间。 这样，数据可以在高维空间中线性分离。
1 sdbwb内核函数的定义
sdbwb内核(Gaussian kernel )又称为径向基(RBF )函数，是一种常用的内核函数。 可以将有限维数据映射到高维空间。 让我们来看看sdbwb内核函数的定义。
k(x，x ) ) x ) ) 22k ) x，x ) ) e ^ {-(frac {|| x-x '|| ^2} {2(delta ^2) } k ) x ) ) ) x
上面的公式涉及计算两个向量的欧式距离(2范数)，并且sdbwb内核函数是两个向量的欧式距离的单调函数。 是带宽，控制径向作用范围。 换言之，控制着sdbwb内核函数的局部作用范围。 假设x和x '的欧式距离位于某个区间内时(也可视为样本距离或特征距离)，固定x )，k(x，x ) )随x的变化有明显的变化。
2维的情况下，设x'=0，k(x，0 )随x的变化如下图所示。
=1
=5
可以看出，随着x和x’的距离的增大，其sdbwb内核函数值单调减少。 此外，越大，sdbwb内核函数的局部影响范围就越大。
32二维外壳=1
=5
在二维中，随着sdbwb内核函数局部作用的范围的带通，变化更加明显。 带通越大，sdbwb内核函数的局部影响范围越大。 超出此范围后，内核函数的值几乎不变。
3 sdbwb核将数据映射到高维或无限维的原理通过几个简单的推导得到，并得到了这样的结果。 为了便于说明，将sdbwb核心的分母设为1。
图：知道提问
sdbwb内核函数可以通过安静的外套展开((x ) t(x ) ) x ) t ) x ) ) )的形式来描述，(x ) x ) ) x ) )是无限维的。
上述内容如下。
青春是不归路_sdbwb核函数