通过径向基函数（RBF）SVM进行分类

Question

我正在使用sklearn.svm.SVC（kernel =＆＃39; rbf＆＃39;）来分类图像数据，这项工作做得非常好。线性SVM通过在两个类之间放置超平面来对数据进行分类。在rbf SVM的情况下，平面将处于无限维度。对于任何测试点，我们可以使用预测来检查它属于哪个。在线性情况下，我们可以通过获得超平面的方程式来手动获得预测。我们如何在rbf SVM案例中做到这一点。在rbf SVM案例中如何准确预测。

Answer 1

首先是Fisrt事情

每当我们分类时，我们都应该考虑：

• 可以在没有高维特征空间的情况下学习分类器 实际上必须将点映射到高维空间。
• 数据在高维空间中可以线性分离，但在原始特征空间中不能线性分离
• 内核可以用于SVM，因为双重形式的标量产品，但也可以在其他地方使用 - 它们与SVM形式主义无关。
• 内核也适用于非矢量的对象

例如，我会放一些使用过的内核。

对于具有高斯核的SVM分类器，我们会有类似的东西：

当您注意到支持向量被替换时，因此我们可以根据结果改变它，例如，考虑两个特征及其着色点：

设置一些值我们得到：

现在

或者

现在无限发挥时会发生什么：

然后：

adaBoost如何使用数据集 http://cseweb.ucsd.edu/~yfreund/adaboost/

如果您愿意，可以通过Ian Nabney测试.NETLAB ML Matlab软件here

以下是SVM的更多来源

• Christopher M. Bishop，“模式识别与机器学习”，Springer（2006），ISBN 0-38-731073-8。
• Hastie，Tibshirani，Friedman，“统计学习要素”，第二版，Springer，2009。Pdf在线提供。
• Ian H. Witten和Eibe Frank，“数据挖掘：实用机器学习工具和技术”，第二版，2005年。
• David MacKay，“信息理论，推理和学习算法”，可在线免费获取！
• Tom Mitchell，“机器学习”，McGraw Hill，1997