77-sklearn中的高斯核函数

sklearn中的高斯核函数

  这篇博客主要应用 sklearn 中封装的高斯核函数进行具体的分类。

  我们还是先来看看高斯核函数里面 γ γ γ 的意思。之前我们说过高斯核函数与正态分布的式子很类似：

  
  高斯函数中，其中 μ μ μ 表示均值， σ σ σ 代表标准差，其中 μ μ μ 决定了整个函数中心轴的位置， σ σ σ 是描述样本数据分布的情况， σ σ σ 越小，整个状态分布就会越窄越集中； σ σ σ 越大，整个正态分布就会越平缓，会显得越胖。具体可以见下图。

  

  以上就是在高斯函数中 σ σ σ 对整个高斯函数形状的影响。同理，这样的一个影响跟我们在高斯核函数中其实是一致的，高斯函数中 − 1 / 2 σ 2 -1/2σ^2 −1/2σ2 这一项变成了 γ γ γ，所以 γ γ γ 和 σ σ σ 的趋势存在倒数的关系，它们是相反的，在高斯核函数中：

  
  下面我们就实际使用 sklearn 中的高斯核函数。
  

    

  到此，我们使用 SVM 的思路来解决分类问题的学习就到此结束了，下一篇博客主要介绍使用 SVM 的思想解决回归问题。

  具体代码见 77 sklearn中的高斯核函数.ipynb