SVM에서 커널의 차이점은 무엇입니까?

누군가 SVM에서 커널의 차이점을 말해 줄 수 있습니까?

1. 선의
2. 다항식
3. 가우시안 (RBF)
4. 시그 모이 드

우리가 알고 있듯이 커널은 입력 공간을 높은 차원의 기능 공간으로 매핑하는 데 사용됩니다. 그리고 그 특징 공간에서 우리는 선형으로 분리 가능한 경계를 찾습니다.

그것들은 언제 (어떤 조건 하에서) 사용되며 왜 그런가?

선형 커널은 선형 모델입니다. 나는 다항식 커널이 비슷하다고 생각하지만 경계는 정의되었지만 임의의 순서입니다.

(예 : 순서 3 : $a= b_1 + b_2 \cdot X + b_3 \cdot X^2 + b_4 \cdot X^3$ ).

RBF는 데이터 점 주위에 정규 곡선을 사용하고, 합이 값이 0.5보다 큰 곡선과 같은 토폴로지 조건 유형으로 결정 경계를 정의 할 수 있도록 합산합니다. (이 사진 참조 )

로지스틱 함수가 로지스틱 함수가 로지스틱 값이 정규 값과 같은 일부 값 (모델링 확률)보다 큰 위치에 따라 곡선을 정의하는 데 사용되는 로지스틱 회귀 모델과 유사하지 않은 한 시그 모이 드 커널이 무엇인지 확실하지 않습니다. 케이스.

커널에 대한 독자의 기본 지식에 의존합니다.

선형 커널 : $K(X, Y) = X^T Y$

$K(X, Y) = (γ\cdot X^T Y + r)^d , γ > 0$

$K(X, Y) = \exp(\|X-Y\|^2/2σ^2)$$\exp(-γ \cdot \|X - Y\|^2), γ > 0$

$K(X, Y) = \tanh(γ\cdot X^TY + r)$

$r$$d$$γ$

이 질문은 이론적이고 실용적인 관점에서 대답 할 수 있습니다. No-Free Lunch 정리에 따르면 이론적으로 한 커널이 다른 커널보다 더 잘 작동한다고 보장 할 수는 없습니다. 그것은 당신이 결코 알지 못하고 어떤 커널이 더 잘 작동하는지 알 수없는 선구자입니다.

실제적인 관점에서 다음 페이지를 참조하십시오.

SVM 용 커널을 선택하는 방법은 무엇입니까?

커널이 "좋은"것이 무엇인지 또는 언제 사용해야하는지에 대해 생각할 때 어렵고 빠른 규칙은 없습니다.

분류 자 / 회귀자가 지정된 커널에서 제대로 작동하는 경우 그렇지 않은 경우 다른 커널로 변경하는 것이 좋습니다.

예를 들어 https://gist.github.com/WittmannF/60680723ed8dd0cb993051a7448f7805 와 같은 시각화 예제를 검토하여 커널이 수행 할 수있는 방법, 특히 분류 모델 인 경우에 대한 통찰력을 얻을 수 있습니다.