SVM-核函数 在研究了一天的SVM核函数后，我顿悟了一个道理： 研究和使用核函数的人，从一开始的目的就是把data分开而已。高维和映射，都是原来解释操作合理性的，但根本不是进行这一操作的原因 我为什么会这么想？我们举一个例子，就说径向基函数核（RBF）吧，按理来说，它的映射应该是和高斯分布 ...

一、核函数（Kernel Function） 　1）格式 K(x, y)：表示样本 x 和 y，添加多项式特征得到新的样本 x'、y'，K(x, y) 就是返回新的样本经过计算得到的值； 在 SVM 类型的算法 SVC() 中，K(x, y) 返回点乘：x' . y' 得到的值 ...

　　说实话，凡是涉及到要证明的东西（理论），一般都不好惹。绝大多数时候，看懂一个东西不难，但证明一个东西则需要点数学功底，进一步，证明一个东西也不是特别难，难的是从零开始发明这个东西的时候，则显得艰难 ...

完整代码及其数据，请移步小编的GitHub 　　传送门：请点击我 　　如果点击有误：https://github.com/LeBron-Jian/MachineLearningNote 前言 　　整理SVM（support vector machine）的笔记是一个非常麻烦的事情，一方 ...

在现实任务中，原始样本空间中可能不存在这样可以将样本正确分为两类的超平面，但是我们知道如果原始空间的维数是有限的，也就是说属性数是有限的，则一定存在一个高维特征空间能够将样本划分。 事实上，在做任务中，我们并不知道什么样的核函数是合适的。但是核函数的选择却对支持向量机的性能有着至关重要的作用 ...

对于线性不可分的数据集，可以利用核函数（kernel）将数据转换成易于分类器理解的形式。 　　如下图，如果在x轴和y轴构成的坐标系中插入直线进行分类的话， 不能得到理想的结果，或许我们可以对圆中的数据进行某种形式的转换，从而得到某些新的变量来表示数据。在这种表示情况下，我们就更容易得到大于 ...

一.简介 前两节分别实现了硬间隔支持向量机与软间隔支持向量机，它们本质上都是线性分类器，只是软间隔对“异常点”更加宽容，它们对形如如下的螺旋数据都没法进行良好分类，因为没法找到一个直线（超平面）能将其分隔开，必须使用曲线（超曲面）才能将其分隔，而核技巧便是处理这类问题的一种常用 ...

前言 　　最近老板有一个需求，做单样本检测，也就是说只有一个类别的数据集与标签，因为在工厂设备中，控制系统的任务是判断是是否有意外情况出现，例如产品质量过低，机器产生奇怪的震动或者机器零件脱落等。相对来说容易得到正常场景下的训练数据，但故障系统状态的收集示例数据可能相当昂贵，或者根本 ...