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。。。。 | g*****y 发帖数: 7271 | 2 I don't think so. The distance between every pair of training sample does
not change after the shift. So the resulting boundary should not change
either.
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 | 3 Really? So for all three kernels, the boundaries do not change?
【在 g*****y 的大作中提到】 : I don't think so. The distance between every pair of training sample does : not change after the shift. So the resulting boundary should not change : either. : : Xj) : basis
| N**D 发帖数: 10322 | 4 yes if you normalize the kernel
K(x,y)/sqrt(K(x,x)*K(y,y))
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 | 5 be more specific?
【在 N**D 的大作中提到】 : yes if you normalize the kernel : K(x,y)/sqrt(K(x,x)*K(y,y)) : : Xj) : basis
|
|