Machine learning 支持向量机：什么是C&；伽马射线？

我是机器学习新手7我已经开始学习Udacity的

当这个

C和Gamma

的概念出现时，我正在遵循简单向量机。我进行了一些挖掘，发现如下：

C-高C尝试最小化训练数据的错误分类 低值会尝试保持平滑的分类。这对我来说很有意义

伽玛-我无法理解这一点

---

有人能用外行术语解释一下吗？

当你使用支持向量机时，你必须使用一种核：线性核、多项式核或径向基函数（也称为高斯核）或其他任何核。后者是

K(x,x') = exp(-gamma * ||x-x'||^2) 

它明确地包含了你的伽马射线。伽马越大，高斯“钟形”越窄

---

我相信，随着您学习本课程，您将更多地了解这种“内核技巧”

直观地说，gamma参数定义了单个训练示例的影响范围，低值表示“远”，高值表示“近”。伽马参数可以看作是模型选择的样本影响半径的倒数，作为支持向量。 C参数权衡了训练示例的错误分类和决策面的简单性。低C使决策面光滑，而高C则通过允许模型自由选择更多样本作为支持向量来正确分类所有训练样本。

---

-C参数：C确定允许在不同类中放置多少数据样本。如果将C的值设置为一个较低的值，则异常值的概率增加，并找到一般决策边界。如果将C的值设置为高，则会更仔细地找到决策边界

C用于软边距，这需要了解松弛变量

-软边距分类器：

-松弛变量确定要调整的余量

gamma参数：gamma确定单个数据采样施加影响的距离。也就是说，gamma参数可以用来调整决策边界的曲率。

请参阅