当前位置：首页 > wzjs >正文

聊城城乡建设局网站友情链接交换网址大全

wzjs 2025/8/14 9:50:23

聊城城乡建设局网站,友情链接交换网址大全,wordpress 转nodejs,dw做网站鼠标经过图像1、特征空间映射若是不存在一个可以正确划分两类样本的超平面，怎么办？ 将样本从原始空间映射到一个更高维的特征空间，使样本在这个特征空间内线性可分。若是原始空间是有限维(属性数有限)，那么一定存在一个高维特征空间使样本…

1、特征空间映射

若是不存在一个可以正确划分两类样本的超平面，怎么办？

将样本从原始空间映射到一个更高维的特征空间，使样本在这个特征空间内线性可分。

若是原始空间是有限维(属性数有限)，那么一定存在一个高维特征空间使样本线性可分

设样本 x 映射后的向量为𝛷(𝑥),划分超平面为 $f(x)=w^T\Phi (x)+b$ ，原始问题就变成了

对偶问题为：

可见，与原始空间线性可分的SVM几乎一模一样，唯一的不同就是在样本 x 映射后的向量为𝛷(𝑥)，变成了高维空间。

但是这里面有了一个新的计算问题，即𝛷(𝑥)非常高维甚至说是无限维。那么 $\Phi (x)^T\Phi (x)$ 的内积计算代价开销将会非常大，如何解决这个问题？我们对其最终的模型进行一个预测，即：

经过观察 $\Phi (x)^T\Phi (x)$ 始终是以内积的形式出现，从来没有单独的出现过，那我们你能不能找到一个不用直接算这个高维向量的内积，而是用一个可以代替内积计算的"东西"，甚至说都不需要知道𝛷(𝑥)到底是什么？这就引出下面的内容了。

2、核函数

为了处理上面的问题，引入一个函数，用来计算两个向量在高维特征空间中内积的方法，而无需显式地将向量映射到高维空间，即核函数。其数学定义为：

因为只需要给其两个低维的向量给核函数进行处理就行了，其等价于高维向量的内积。就将求高维向量点积转换为了求低维向量对核函数求值。如此一来就成功绕过了显式考虑特征映射、以及计算高维内积的困难。这一下又有新问题了，就是这个核函数如何寻找？

有一个定理：Mercer定理，若是一个对称函数所对应的核矩阵半正定，则它就能作为核函数来使用。

PS3-1：这里涉及到对这个函数概念的一个理解，在这里函数其实现在起到一个空间的变换，在原来的空间上可以定义一个范数Norm(就是一种度量向量或矩阵“长度”或“大小”的函数，||∙||)，假如说为 $x_i,y_i$ 。到甚高维空间(因为不知道有多少维，所以叫"甚至不知道有多高维空间"，简称甚高维)中，变为了 $\Phi (x_i),\Phi (y_i)$ 。这是函数 𝛷(•) 在做的事情。经过函数𝛷(𝑥)以后，之前点的关系会发生一定程度的扭曲。如何去刻画 $\Phi (x_i),\Phi (y_i)$ 的距离，如图：

在原空间里，可以定义一个距离函数，表示所有的两点距离：

在这个矩阵中，很明显是半正定的对称矩阵，且主对角线上的值全部为 0 。

核矩阵就是对任何一个核函数 $K(x_i,y_i)$ ，若是输入是两个点 $x_i,y_i$ ，将所有的样本都提供给核函数，就能形成一个类似的矩阵，即：

若是这个矩阵恰恰也是半正定的对称矩阵，实际上在这个映射的甚高维空间里的距离矩阵。所以回到上面的Mercer定理，若是核函数对应的距离矩阵恰恰如上面所说，那这个核函数就可以使用。

因为核函数无非是在甚高维空间里寻找到一个能表述距离的"东西"，这个核矩阵就要求了，这个对角线是为0的，且是对称的，半正定的(所有特征值大于等于0)。一旦满足这些条件，这个矩阵就对应了这个甚高维空间。

任何一个核函数都隐式的定义了一个RKHS空间，即"再生核希尔伯特空间"。这个其实说的就是上面的PS3-1中提出的能对应出来的"甚高维空间"。

PS3-2：有一个问题，将上面张开的甚高维空间称为"V1"，可以找到的核函数通过核矩阵也能够张开一个空间称为"V2"。这里的"V1"与"V2"是否恰好一样？

即，之前想找到的 𝛷(•) ，现在找到了𝐾(•)。这里𝐾(•)起到的作用和原来理想的𝛷(•)是否完全一样？其实是无法保证的，保证的只能是存在一个RKHS空间可以将其线性分开，即 𝛷(•)是存在的。但是在找这个𝐾(•)的时候并没有显式告诉 𝛷(•)是什么。只是说" $K(\cdot )=\Phi (\cdot )^T\Phi (\cdot )$ "。但是不能保证这里𝐾(•)的一定就是 $\Phi (x)^T\Phi (x)$ 。所有这里就相当于有一个K(•)的集合，将所有的K(•)都放入这个核函数集合里面，存在一个最理想的 $K^*(\cdot )$ 正好能够对应产生线性划分的 𝛷(•)。这个 $K^*(\cdot )$ 一定能在所有核函数集合里产生。

上面的整理下来，就是我们在众多核函数中，找到一个核函数是最合适的，来满足要求。那么，这里怎么找到这个核函数，就是在第二章模型选择当中的内容了，但是不能保证一定就能找到这个最合适的核函数。因为这相当于P=NP问题了。

故，"核函数选择"成为了决定支持向量机性能的关键！

西瓜书中给出了一些常见的核函数：

核函数还可以通过组合得到，如若是 $K_1$ 和 $K_2$ 为核函数，则对于任意正数 $\gamma _1$ 和 $\gamma _2$ ，其线性组合 $\gamma _1K_1+\gamma _2K_2$ 也是核函数，直积 $K_1\bigotimes K_2(x,z)=K_1(x,z)K_2(x,z)$ 也是核函数，对于任意函数g(x)， $K(x,z)=g(x)k_1(x,z)g(z)$ 也是核函数。