- 将预测器(输入数据)转换为高维特征空间。只要为这一步指定内核就足够了，而且数据永远不会显式地转换到特性空间。这个过程通常被称为内核技巧。
- 解决一个二次优化问题拟合一个最优超平面将转换的特征分类为两类。变换特征的个数由支持向量的个数决定。万博1manbetx
只需要从训练数据中万博1manbetx选择支持向量来构造决策曲面。一旦训练完毕，其余的训练数据就不相关了。
支持向量机常用的内核包括:
| 类型的支持向量机 | 美世的内核 | 描述 |
|---|---|---|
| 高斯或径向基函数 | \ (K (x_1、x_2) = \ exp \离开(- \压裂{\ | x_1——x_2 \ | ^ 2}{2 \σ^ 2}\)\) | 一个班学习。是核的宽度 |
| 线性 | \ (K (x_1、x_2) = x_1 ^ {\ mathsf {T}} x_2 \) |
两个类的学习。 |
| 多项式 | \ (K (x_1、x_2) = \离开(x_1 ^ {\ mathsf {T}} x_2 + 1 \右)^{\ρ}\) |
ρ\ (\ \)多项式的阶数是多少 |
| 乙状结肠 | \ (K (x_1、x_2) = \双曲正切\离开(\ beta_ {0} x_1 ^ {\ mathsf {T}} x_2 + \ beta_ {1} \) \) |
它是一个只有\(\beta_{0}\)和\(\beta_{1}\)值的mercer内核 |
有关如何适应支持向量机分类器的更多信息，请参见万博1manbetx统计和机器学习工具箱™使用MATLAB®．
