用实验理解 SVM 的核函数和参数
作者:SIGAI
2018.05.22
导言
支持向量机(SVM)在很多分类问题上曾经取得了当时最好的性能,使用非线性核的支
持向量机可以处理线性不可分的问题。仅仅通过一个简单的核函数映射,就能达到如此好的
效果,这让我们觉得有些不可思议。核函数过于抽象,在本文中,SIGAI 将通过一组实验来
演示核函数的有效性,并解释支持向量机各个参数所起到的作用,让大家对此有一个直观的
认识。如果要了解 SVM 的理论,请阅读我们之前的公众号文章“用一张图理解 SVM 的脉络”。
核映射与核函数
通过核函数,支持向量机可以将特征向量映射到更高维的空间中,使得原本线性不可分
的数据在映射之后的空间中变得线性可分。假设原始向量为 x,映射之后的向量为 z,这个
映射为: