我需要一个关于SVM的简短概念。所以有人帮助我理解超平面的表示吗？和内核的想法？
答案 0 :(得分：2)
虽然@JeffHeaton的答案的第一部分很好，但其余部分没有回答OP问题，所以有一些进一步的细节：
为什么超平面方程w^Tx+b=0？首先，您必须了解w^Tx=<w,x>对x的作用。它基本上是x（从（0,0）开始的向量）w（这是一个从（0,0）开始的向量），因此，你可以得到一个正数（ x和w之间的角度小于90度），等于0（它们是垂直的）或负的（角度大于90度）。所以你可以看到它等于0如果这些两个对象是垂直的，所以剩下的唯一东西是距离原点（0,0）的距离，这是通过添加常量b来完成的。从几何角度来看，w被称为“正常的超平面“，简单地说 - 一个垂直于超平面的向量。所以，如果你现在计算<w,x>并得到0，x垂直于w，它垂直于超平面，所以x位于超平面中。 / p>
kernel，只不过是上一个公式中编写的标量乘积<w,x>。编写K(x,y)的唯一原因是，它假定您将某些“魔法”映射到某个不同的空间phi。换句话说，如果你有一些函数phi以某种方式重新排列你的积分，那么它们就更容易分类，而不是你可以在phi(X), L而不是X,L训练线性svm（其中L是正确的标签）。问题是，很难找到好的phi。在实践中，我们只选择一个随机或随意的phi，它只是将点映射到更高的维度。这是一个已知的数学事实，在更高维度上，点更容易分离。特别是，如果您有N分x_1, ..., x_N，则可以随时选择phi phi(x_i)=[0 0 0 ... 1 ... 0] 1，i位于phi(X)位置。不幸的是，这样的K(x,y)=<phi(x), phi(y)>计算成本很高，因此我们使用内核函数来定义phi。因此，我们不必知道明确的phi(x)值，而是需要通过phi 了解点之间的标量积。这正是内核所做的，它们在某些不同的空间中表示标量产品。特别是，RBF内核将每个点映射到... FUNCTION（实际上是高斯分布）。因此{{1}}具有无限维度且无法有效计算，但两个函数之间的标量积只是它们乘法的一个整体，这是非常容易的对象。