Kernel 基于径向基函数（RBF）支持向量机的分类

我使用sklearn.svm.SVC（kernel='rbf'）对图像数据进行分类，这项工作做得很好。线性支持向量机通过在两类之间放置一个超平面对数据进行分类。在rbf支持向量机的情况下，平面将是无限维的。对于任何测试点，我们都可以使用predict来检查它属于哪个测试点。在线性情况下，我们可以通过得到超平面的方程手动得到预测。在rbf-SVM的情况下，我们如何做到这一点。在rbf-SVM的情况下，准确预测是如何工作的。

首先

无论何时分类，我们都应考虑：

• 分类器可以学习高维特征空间，而无需 实际上必须把这些点映射到高维空间
• 数据在高维空间中可以线性分离，但在原始特征空间中不能线性分离
• 由于对偶形式的标量积，核可以用于SVM，但也可以用于其他地方——它们与SVM形式无关
• 内核也适用于不是向量的对象

例如，我会放一些用过的果仁。

对于具有高斯核的SVM分类器，我们将有如下内容：

正如你注意到的，支持向量被替换，因此我们可以根据结果来改变它，例如，考虑两个特征和它们的着色点：

设置我们得到的一些值：

现在

或

现在，当无限开始发挥作用时会发生什么：

然后：

那么adaBoost如何处理数据集呢

如果您愿意，您可以测试由Ian Nabney开发的NETLAB ML Matlab软件

这里有更多支持向量机的来源

• Christopher M.Bishop，“模式识别和机器学习”，Springer（2006），ISBN 0-38-731073-8
• 黑斯蒂，蒂布什拉尼，弗里德曼，“统计学习的要素”，第二版，斯普林格，2009年。Pdf可在线获取
• Ian H.Witten和Eibe Frank，“数据挖掘：实用机器学习工具和技术”，第二版，2005年
• David MacKay，“信息理论、推理和学习算法”，在线免费提供
• 汤姆·米切尔，“机器学习”，麦格劳·希尔，1997年

---

我建议您选择一本书，例如《统计学习的要素》，该书详细解释了内核支持向量机。