“Una forma muy simple e intuitiva de pensar acerca de los núcleos (al menos para SVM) es una función de similitud. Dados dos objetos, el núcleo genera una puntuación de similitud. Los objetos pueden ser cualquier cosa a partir de dos enteros, dos vectores con valores reales, árboles, lo que sea, siempre que la función del núcleo sepa cómo compararlos.
El ejemplo posiblemente más simple es el núcleo lineal, también llamado producto de puntos. Dados dos vectores, la similitud es la longitud de la proyección de un vector sobre otro.
Otro ejemplo interesante de kernel es el kernel gaussiano. Dados dos vectores, la similitud disminuirá con el radio de σ [math] σ [/ math]. La distancia entre dos objetos es “ponderada” por este parámetro de radio.
- Cómo guardar los pesos de los datos de entrenamiento de las pruebas MNIST en Tensorflow para uso futuro
- Al entrenar a un clasificador, ¿cómo trato con clases que tienen números muy diferentes de muestras en el conjunto de entrenamiento? ¿Cómo evito un ajuste excesivo en la clase que tiene la mayor cantidad de muestras?
- ¿Cuáles son algunas redes neuronales diferentes que podrían usarse como algoritmos de control en cuadricópteros autónomos?
- ¿Puedo usar el aprendizaje por refuerzo para ayudar a las personas a elegir la ruta más barata cuando viajan en avión?
- ¿Existe un programa de tipo PageRank para organizar mis canales RSS diarios?
El éxito del aprendizaje con núcleos (de nuevo, al menos para SVM), depende en gran medida de la elección del núcleo. Puede ver un núcleo como una representación compacta del conocimiento sobre su problema de clasificación. Muy a menudo es un problema específico.
No llamaría a un núcleo una función de decisión ya que el núcleo se usa dentro de la función de decisión. Dado un punto de datos para clasificar, la función de decisión utiliza el núcleo al comparar ese punto de datos con varios vectores de soporte ponderados por los parámetros aprendidos α [math] α [/ math]. Los vectores de soporte están en el dominio de ese punto de datos y a lo largo de los parámetros aprendidos α [math] α [/ math] los encuentra el algoritmo de aprendizaje ”.
Consulte el siguiente enlace para obtener más información: ¿Cómo explicar intuitivamente qué es un núcleo?
