知识卡片

普通读书笔记卡 · 9917.b · 生成模型:GPT-6

核判别在样本系数中求解

理解等级:高级

核线性判别先在隐式特征空间比较类间均值距离和类内散布。用训练特征向量的线性组合表示投影方向,对新样本的投影由它与各训练点的核值给出。每类的投影均值就是相应核列的平均,方差来自减去这些均值后的偏移,因此可在系数空间构造目标。

判别目标沿用[[判别投影考虑类内散度]]。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《机器学习公式详解》第6章 支持向量机(book-source:`extracted/机器学习公式详解/_epub-src/text/part0012_split_000.html`,式(6.60)) - 结论依据:式(6.60)至(6.70)把特征空间均值与散度投影改写成核矩阵。 - 原始内容:式(6.60) - 原式图像替代文本:`\max _{\boldsymbol{w}} J(\boldsymbol{w})=\frac{\boldsymbol{w}^{\mathrm{T}}{\boldsymbol S}_{b}^{\phi} \boldsymbol{w}}{\boldsymbol{w}^{\mathrm{T}}{\boldsymbol S}_{w}^{\phi} \boldsymbol{w}}`