2

我最近才了解支持向量机。据我了解,超平面用于将数据(提升到更高维度)分成两个相互排斥的部分(分区)。我的问题是为什么它应该是超平面而不是具有曲率的曲面?那不会提供更适合的分离“表面”吗?

4

3 回答 3

2

非线性分类是可能的。

https://en.wikipedia.org/wiki/Support_vector_machine#Nonlinear_classification

于 2014-06-17T04:06:08.720 回答
2

存在称为内核函数的东西:http ://en.wikipedia.org/wiki/Kernel_trick

根据我对数据挖掘课程的记忆,您将每个点执行非线性转换到更高的维度。假设您的数据只有两个维度,并且不是线性可分的。如果您使用核函数将每个转换(x, y)(x, y, z)(或可能需要更多维度),那么您可以在不涉及曲率的情况下将数据与平面/超平面/更高维超平面分开。

作为核函数的示例,将其应用于“生成”更高维度,数学类似于二项式展开:f(x, y) == (x*x, y*y, 2xy)

于 2014-06-17T04:13:24.623 回答
1

超平面并不真正存在。它不是计算的。它也没有真正被视为超平面。

SVM 决策基于与支持向量的相似性;它隐含地定义了某个欧几里得空间中的超平面。使用核函数时,这不需要是您的原始数据空间;如果您使用非线性核函数来计算相似性,它在原始数据空间中很可能是非线性的。

于 2014-06-17T09:00:50.287 回答