s***1
发帖数: 49 | 1 如果有一组数据，然后分别用 linear kernel (Xi dot Xj) , quadratic kernel ( (
Xi dot Xj+1)^2 , 和 radial basis function kernel (e^[-1/(2*sigma) * (Xi-Xj)
^2] 的 SVM 来成功 separate。
这时候吧数据里面每一个点都向上平移10. 就是 (xi,xj) = (xi,xj+10).
再用以上三个kernel 重新找boundary. 相对于每一个点来说， 新的boundary 会不会
和旧的 boundary 不一样？ 也就是说每一个新的点到新的boundary, 和每一个旧点到
旧的boundary的距离是不是不一样。
我觉得linear 的是一样的，应为就是平移。 但是quadratic kernel 和 radial basis
不一样，但是无法具体解释为什么。。。。 | K****n
发帖数: 5970 | 2 i think neither linear nor quadratic is spatial invariant
your radial basis function looks spatially invariant to me | K****n
发帖数: 5970 | 3 but when you talk about radial basis function, i think about something else.
..
but anyway i think you are talking about gaussian
Xj)
basis
【在 s***1 的大作中提到】
: 如果有一组数据，然后分别用 linear kernel (Xi dot Xj) , quadratic kernel ( (
: Xi dot Xj+1)^2 , 和 radial basis function kernel (e^[-1/(2*sigma) * (Xi-Xj)
: ^2] 的 SVM 来成功 separate。
: 这时候吧数据里面每一个点都向上平移10. 就是 (xi,xj) = (xi,xj+10).
: 再用以上三个kernel 重新找boundary. 相对于每一个点来说， 新的boundary 会不会
: 和旧的 boundary 不一样？ 也就是说每一个新的点到新的boundary, 和每一个旧点到
: 旧的boundary的距离是不是不一样。
: 我觉得linear 的是一样的，应为就是平移。 但是quadratic kernel 和 radial basis
: 不一样，但是无法具体解释为什么。。。。
| s***1
发帖数: 49 | 4 Why is the RBF spatially invariant but the linear and quadratic variant? | K****n
发帖数: 5970 | 5 generally (i copy n paste your notation):
(Xi dot Xj) 不等于 (Xi+10 dot Xj+10)
(Xi dot Xj+1)^2 不等于 (Xi+10 dot Xj+1 + 10)^2
e^[-1/(2*sigma) * (Xi-Xj)^2] 等于 e^[-1/(2*sigma) * (Xi+10-(Xj+10))^2] |
|
