📔
liu_yu_bo_play_with_machine_learning
  • README
  • src
    • Introduction
    • Summary
    • Chapter10
      • 第十章:评价分类结果
    • Chapter10
      • 10-2 精确率和召回率
    • Chapter10
      • 10-3 实现混淆矩阵、精准率、召回率
    • Chapter10
      • 10-4 F1 score
    • Chapter10
      • 10-5 Precision-Recall平衡
    • Chapter10
      • 10-6 precision-recall曲线
    • Chapter10
      • 10-7 ROC曲线
    • Chapter10
      • 10-8 多分类问题中的混淆矩阵
    • Chapter11
      • 11-1 什么是支撑向量机
    • Chapter11
      • 11-2 支撑向量机的推导过程
    • Chapter11
      • 11-3 Soft Margin和SVM的正则化
    • Chapter11
      • 11-4 scikit-leran中的SVM
    • Chapter11
      • 11-5 SVM中使用多项式特征
    • Chapter11
      • 11-6 什么是核函数
    • Chapter11
      • 11-7 高斯核函数
    • Chapter11
      • 11-8 scikit-learn中的高斯核函数
    • Chapter11
      • 11-9 SVM思想解决回归问题
    • Chapter12
      • 第十二章:决策树
    • Chapter12
      • 12-2 信息熵
    • Chapter12
      • 12-3 使用信息寻找最优划分
    • Chapter12
      • 12-4 基尼系数
    • Chapter12
      • 12-5 CART和决策树中的超参数
    • Chapter12
      • 12-6 决策树解决回归问题
    • Chapter12
      • 12-7 决策树的局限性
    • Chapter13
      • 第十三章:集成学习和随机森林
    • Chapter13
      • 13-2 soft voting
    • Chapter13
      • 13-3 bagging和pasting
    • Chapter13
      • 13-4 更多关于bagging的讨论
    • Chapter13
      • 13-5 随机森林和extra-trees
    • Chapter13
      • 13-6 ada boosting和gradiesnt boosting
    • Chapter13
      • 13-7 Stacking
    • Chapter4
      • KNN - K近邻算法 - K-Nearest Neighbors
    • Chapter4
      • 4-1
    • Chapter4
      • 4-2
    • Chapter4
      • 4-3 训练数据集,测试数据集
    • Chapter4
      • 4-4 分类准确度
    • Chapter4
      • 4-5
    • Chapter4
      • 4-6 网格搜索
    • Chapter4
      • 4-7
    • Chapter4
      • 4-8 scikit-learn中的Scaler
    • Chapter4
      • 4-9 更多有关K近邻算法的思考
    • Chapter5
      • 线性回归算法
    • Chapter5
      • 5-1
    • Chapter5
      • 5-10 线性回归的可解释性和更多思考
    • Chapter5
      • 5-2 最小二乘法
    • Chapter5
      • 5-3 简单线性回归的实现
    • Chapter5
      • 5-4 参数计算向量化
    • Chapter5
      • 5-5 衡量线性回归算法的指标
    • Chapter5
      • 5-6 最好的衡量线性回归法的指标 R Squared
    • Chapter5
      • 5-7 简单线性回归和正规方程解
    • Chapter5
      • 5-8 实现多元线性回归
    • Chapter5
      • 5-9 scikit-learn中的回归算法
    • Chapter6
      • 第六章:梯度下降法
    • Chapter6
      • 6-2 模拟实现梯度下降法
    • Chapter6
      • 6-3 多元线性回归中的梯度下降法
    • Chapter6
      • 6-4 在线性回归模型中使用梯度下降法
    • Chapter6
      • 6-5 梯度下降的向量化
    • Chapter6
      • 6-6 随机梯度下降
    • Chapter6
      • 6-7 代码实现随机梯度下降
    • Chapter6
      • 6-8 调试梯度下降法
    • Chapter6
      • 6-9 有关梯度下降法的更多深入讨论
    • Chapter7
      • 主成分分析法 PCA Principal Component Analysis
    • Chapter7
      • 7-1
    • Chapter7
      • 7-2 使用梯度上升法求解主成分分析问题
    • Chapter7
      • 7-3 代码实现主成分分析问题
    • Chapter7
      • 7-4 求数据的前N个主成分
    • Chapter7
      • 7-5 高维数据向低维数据映射
    • Chapter7
      • 7-6 scikit learn中的PCA
    • Chapter7
      • 7-7 MNIST数据集
    • Chapter7
      • 7-8 使用PCA降噪
    • Chapter7
      • 7-9 人脸识别和特征脸(未完成)
    • Chapter8
      • 第八章:多项式回归与模型泛化
    • Chapter8
      • 8-10 L1,L2和弹性网络
    • Chapter8
      • 8-2 scikit-learn中的多项式回归和pipeline
    • Chapter8
      • 8-3 过拟合和欠拟合
    • Chapter8
      • 8-4 为什么要训练数据集和测试数据集
    • Chapter8
      • 8-5 学习曲线
    • Chapter8
      • 8-6 验证数据集与交叉验证
    • Chapter8
      • 8-7 偏差方差权衡 Bias Variance Trade off
    • Chapter8
      • 8-8 模型正则化 Regularization
    • Chapter8
      • 8-9 LASSO Regularization
    • Chapter9
      • 第九章:逻辑回归
    • Chapter9
      • 9-2 逻辑回归的损失函数
    • Chapter9
      • 9-3 逻辑回归算法损失函数的梯度
    • Chapter9
      • 9-4 实现逻辑回归算法
    • Chapter9
      • 9-5 决策边界
    • Chapter9
      • 9-6 在逻辑回归中使用多项式特征
    • Chapter9
      • 9-7 scikit-learn中的逻辑回归
    • Chapter9
      • 9-8 OvR与OvO
Powered by GitBook
On this page
  1. src
  2. Chapter11

11-6 什么是核函数

PreviousChapter11NextChapter11

Last updated 5 years ago

这是11-3中推导出来的公式。MVC本质上是这样的一个带条件的最优化问题。 在求解这个问题的过程要,要把公式变形:

K函数 = Kernel function = Kernel trick 优点:1.节省了存储空间2.计算量变少

核函数本身不是SVM独有的技巧。只要算法转成了最优化问题,并且在求解最优化问题的过程中存在xi * xj或者类似这样的式子,都可以应该核函数技巧。

多项式核函数

线性核函数:K(x, y) = x * y

公式中红框标出来的部分,配合前面了两层累加符号,表示样本中任意两个x相乘。 所谓的给SVM增加多项式,就是: 把x做一些变形得到x',并且用x'代替公式中的x 核函数的思想是:有没有可能不显式地将x转换成x',而是直接使用一个函数得到

那么SVM的目标函数就可以写成:

相当于给原来的x添加了二次项。 系数前面的常数项根号2不会影响模型的训练效果。

多项式的核函数: 下图是sklearn的SVM的文档,当核函数指定为poly时,degree相当于公式中的d,coef0相当于公式中的c