【机器学习理论】我所理解的 SVM 2——核函数的应用

                                                                                                                                                                             

点击上方 “机器学习研究会”可以订阅

摘要

 

转自：机器学习算法与自然语言处理

前  言

这是 SVM 系列的第二篇，上一篇文章 👉 【机器学习理论】我所理解的 SVM（支持向量机）- 1👈 介绍了 SVM 的主要思想以及推导过程，这一篇将会在此基础上介绍核函数(kernel)，这也是 SVM 最为重要的部分之一。

文章地址：https://zhuanlan.zhihu.com/p/24291579

接着上一篇文章

恩是的，我终于回来更新了，让我们进入正题。

上面这幅图是不是很眼熟，在 SVM-1 中我几乎靠着这一张图说完了支持向量机的主要思想。

不知道你们注意到没有，在推导 SVM 之前，我的措辞是相当严谨的——「图中的两组数据，显然它们是线性可分（linear separable）的」，一切的推导都建立在线性可区分的基础上，然而实际的很多问题都并非如此，如果我在上面的图上再加一个点： 

无论是a,b,c都无法完美地把两种数据区分出来，实际上也不存在一条直线能完全区分出两种数据，这种情况就是不可线性区分的，核函数或许可以帮我们解决这个问题。

原文链接：

https://mp.weixin.qq.com/s/UZC1Ro6NsJE0LI7OWO9ljQ

“完整内容”请点击【阅读原文】

↓↓↓