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
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