AI小科普 核函數

1.什麼是核函數？

核函數在機器學習中是對演算法進行非線性改進的利器，通過巧妙的映射，解決了高維空間中數據量龐大的問題。它將數據映射到更高維的空間，以便於數據可以變得更容易分離或更好的結構化。核函數可分為核函數設計和演算法設計兩個部分，其中，將樣本數據核化成核函數矩陣是核函數方法中的關鍵。

2.核函數的原理?

核函數可以和其他演算法相結合，從而形成各種各樣的基於核函數的演算法，根據不同的應用，我們可以選擇不同的核函數演算法。核函數的引入規避了維數災難，可以有效處理高維輸入。它減少了計算量，而且無需知道非線性變換函數Φ的形式和參數。

3.核函數的發展?

核函數早在1964年就被Aizermann等引入到機器學習領域了，但是直到1992年Vapnik等利用該技術成功地將線性SVMs推廣到非線性SVMs時其潛力才得以充分挖掘。常見的核函數有線性核（Linear Kernel）、多項式核（Polynomial Kernel）、高斯核（Gaussian Kernel）、拉普拉斯核（Laplacian Kernel）等等，這些核函數大部分在SVM，SVM-light以及RankSVM中可用參數直接設置。還有其他一些不常用的，如小波核，貝葉斯核，需要通過代碼自己指定。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！