机器学习(四)监督学习---非线性SVM

 
 
前言： 在前面的笔记中，我们使用的训练样本是线性可分的，即存在一个线性最优
超平面能将训练样本正确分类。 若样本是非线性如何处理呢？
                                
采用非线性映射！！！，虽然该样本在现在这个空间非线性可分，但在高维空间则不一定，那么将样本从原始空间映射到更高维的特征空间，使得样本在这个特征空间内线性可分即可。

---

Eg. 非线性映射
       

上图采用 $x\Rightarrow x^{2}$ 映射发现变成最底下那张图的效果，此时可以用线性SVM来处理。

---

Eg. 特征空间映射
       

1. 回顾线性SVM

       

2. 核函数

       
       

3. 非线性SVM