SVM中为什么要使用非线性映射将输入向量映射到高维特征空间

SVM中为什么要使用非线性映射将输入向量映射到高维特征空间

你指的是kernel方法吧，其实kernel类型的选择是因问题而异的，其主要目的是将一个线性不可分的问题，在一个高维的空间变成线性可分，因此要增加特征的维数，线性映射就不好使了。当然，不一定是显性的增加维数，可以是隐性的，也就是直接计算Kernel函数，具体变成了多少维，或者新的特征空间是什么样子的都无所谓

结构风险最小化，而非传统统计的经验风险最小化（容易有过学习问题）

In feature space, SVM is a linear regression problem.In order to realize the nonlinear regression in the origin space,it is necessary to introduce some nonlinear mapping, which should satisfy Mercer Theorem.
2004-12-15 08:36 lennon


data若能以线性分类.当以线性分类就可.
以非线性映射目的在data线性分类正确律不高或精度不佳时.期望映射至高维空间
取得较佳的精度