Machine learning 基于单特征径向基核支持向量机的二值分类

是否对使用单一特征训练的径向基核支持向量机有任何解释（图形或其他）？我可以在二维空间中看到效果（结果是分离边界是弯曲的，而不是线性的）

---

如果原始数据只有一个特征，我很难想象这会是什么样子。在这种情况下，边界线会是什么样子？

它会是一条在两种不同颜色之间来回切换的线（每个类别一种颜色）.在一维中，除了支持向量机被过度杀死之外，没有什么特别的事情发生。

在一维中，您的数据将是数字，决策边界将只是有限的数字集，表示一个类的有限区间集，以及classi的有限区间集另一个

---

事实上，R^2中的决策边界实际上是一组点，对于这些点，支持向量中高斯分布的加权和（其中alpha_i是这些权重）等于b（截距/阈值项）。您可以实际绘制此分布（现在在3d中）.类似地，在1d中，你会得到一个类似的分布，可以在2d中绘制，决策将基于此分布大于/小于b。

此视频显示了内核映射中发生的情况，它不使用RBF内核，但其思想是相同的：

至于1D的情况，没有太大的区别，应该是这样的：

---

hi！假设每个功能都是一个维度，那么“在二维中可视化效果”是什么意思？单个功能的可视化不是一条简单的线，斜杠所在的位置有一个阈值吗？

这个问题似乎与主题无关，因为它是关于统计的，发布在这里：