我使用sklearn.svm.SVC（kernel ='rbf'）来分类图像数据，这是非常好的工作 . 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 .
首先是Fisrt事情
每当我们分类时，我们都应该考虑：
可以为高维特征空间学习分类器，而无需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 .
内核也适用于非向量的对象
例如，我将放置一些使用过的内核 .
对于具有高斯内核的SVM分类器，我们会得到类似的东西：
正如您注意到支持向量被替换，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：
并设置一些值：
现在
或
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，"Pattern Recognition and Machine Learning"，Springer（2006），ISBN 0-38-731073-8 .
Hastie，Tibshirani，Friedman，"Elements of Statistical Learning"，第二版，Springer，2009 . Pdf在线提供 .
Ian H. Witten和Eibe Frank，"Data Mining: Practical Machine Learning Tools and Techniques"，第二版，2005年 .
David MacKay，"Information Theory, Inference, and Learning Algorithms"哪个免费在线提供！
Tom Mitchell，"Machine Learning"，McGraw Hill，1997
1 回答
首先是Fisrt事情
每当我们分类时，我们都应该考虑：
可以为高维特征空间学习分类器，而无需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 .
内核也适用于非向量的对象
例如，我将放置一些使用过的内核 .
对于具有高斯内核的SVM分类器，我们会得到类似的东西：
正如您注意到支持向量被替换，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：
并设置一些值：
现在
或
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，"Pattern Recognition and Machine Learning"，Springer（2006），ISBN 0-38-731073-8 .
Hastie，Tibshirani，Friedman，"Elements of Statistical Learning"，第二版，Springer，2009 . Pdf在线提供 .
Ian H. Witten和Eibe Frank，"Data Mining: Practical Machine Learning Tools and Techniques"，第二版，2005年 .
David MacKay，"Information Theory, Inference, and Learning Algorithms"哪个免费在线提供！
Tom Mitchell，"Machine Learning"，McGraw Hill，1997