- 变换预测(输入数据)到一个高维特征空间。这足以仅指定了这一步内核和数据从未明确地转化为特征空间。这个过程通常被称为核技巧。
- 解决二次优化问题,以适应的最佳超平面对变换的特征分成两大类。的转化的特征的数量是由支持向量的数目来确定。万博1manbetx
只从训练数据所选择万博1manbetx的支持向量需要构造判定表面。一旦被训练,训练数据的其余部分是无关紧要的。
与支持向量机采用流行的内核包括:
SVM的类型 | Mercer核 | 描述 |
---|---|---|
高斯或径向基函数(RBF) | \(K(X_1,X_2)= \ EXP \左( - \压裂{\ | X_1 - X_2 \ | ^ 2} {2 \西格玛^ 2} \右)\) | 一类学习。\(\西格玛\)是内核的宽度 |
线性 | \(K(X_1,X_2)= X_1 ^ {\ mathsf【T}} X_2 \) |
两个班学习。 |
多项式 | \(K(X_1,X_2)= \左(X_1 ^ {\ mathsf【T}} X_2 + 1 \右)^ {\ RHO} \) |
\(\ RHO \)是多项式的阶 |
乙状结肠 | \(K(X_1,X_2)= \的tanh \左(\ beta_ {0} X_1 ^ {\ mathsf【T}} X_2 + \ beta_ {1} \右)\) |
这是某些\(\ beta_ {0} \)和\(\ beta_ {1} \)值的Mercer核只 |
欲了解更多关于如何适应支持向量机分类,见万博1manbetx统计和机器学习工具箱™与使用MATLAB®。