- 将预测器(输入数据)转换为高维特征空间。只指定这一步的内核就足够了,而且数据永远不会显式地转换到特征空间。这个过程通常被称为内核技巧。
- 解决一个二次优化拟合最优超平面,将变换后的特征分为两类。变换后特征的个数由支持向量的个数决定。金宝app
只需要从训练数据中金宝app选取支持向量即可构建决策面。一旦训练完成,剩下的训练数据就不相关了。
支持向量机常用的内核包括:
类型的支持向量机 | 美世的内核 | 描述 |
---|---|---|
高斯或径向基函数(RBF) | \ (K (x_1、x_2) = \ exp \离开(- \压裂{\ | x_1——x_2 \ | ^ 2}{2 \σ^ 2}\)\) | 一个班学习。是内核的宽度 |
线性 | \ (K (x_1、x_2) = x_1 ^ {\ mathsf {T}} x_2 \) |
两个类的学习。 |
多项式 | \ (K (x_1、x_2) = \离开(x_1 ^ {\ mathsf {T}} x_2 + 1 \右)^{\ρ}\) |
ρ\ (\ \)多项式的阶是多少 |
乙状结肠 | \ (K (x_1、x_2) = \双曲正切\离开(\ beta_ {0} x_1 ^ {\ mathsf {T}} x_2 + \ beta_ {1} \) \) |
它是一个仅针对特定\(\beta_{0}\)和\(\beta_{1}\)值的mercer内核 |
有关如何拟合支持向量机分类器的更多信息,请参见金宝app统计和机器学习工具箱™使用MATLAB®。