SVM→8.SVM实战→5.gram矩阵启发

《SVM→8.SVM实战→5.gram矩阵启发》

描述	代码
采用高斯核时，训练集的gram矩阵的意义：当两个样本的距离近的时候，值为1，距离很远的时候，值为0。
采用线性核时，训练集的gram矩阵的意义??? 以iris数据集为例，特征的shape是(150,4)，标签的维度是(150,)，且每类50个样本 计算数据集的gram矩阵并可视化为： 可以看出，并不是同一类的内积就一定小！	1 2 3 4 5 6 7 8 9 10 11 import numpy as np import matplotlib.pyplot as plt from sklearn import datasets iris = datasets.load_iris() X = iris.data Y = iris.target gram = np.dot(X, X.T) plt.imshow(gram) plt.colorbar() plt.show() 1 2 3 4 5 6 7 8 9 10 11 12 13 In[67]: X.shape Out[67]: (150, 4) In[68]: Y.shape Out[68]: (150,) In[69]: Y Out[69]: array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2]) 一行22个数
因此不能简单地认为gram矩阵表示的含义是距离！