核技巧使用核函数直接计算两个向量映射到高维后的内积,从而避免了高维映射这一步。本文用矩阵的概念介绍核函数$K(x,y)$的充分必要条件:对称(半)正定。
对称正定看起来像是矩阵的条件。实际上,对于函数$K(x,y):R^ntimes R^mrightarrow R$,将向量$xin R^n$的所有实数取值按顺序视为矩阵的行号,将向量$yin R^m$的所有实数取值按顺序视为矩阵的列号,行列号对应的元素值为相应的函数值$K(x,y)$,则可以得到形状为$ninftytimes minfty$的无穷宽高的矩阵$K$。
充分性
下面介绍,如果函数$K(x,y)$(或者矩阵$K$)对称正定,则其可以成为核函数(即正定核),也就是存在$phi(x):R^nrightarrow R^N$,使得$K(x,y)=$。
由于矩阵$K$对称正定,则可以进行正交分解
$K=QLambda Q^T$.
其中特征向量矩阵$Q=[q_1,q_2,…,q_{ninfty}]$,每个向量$q_i$都有$ninfty$维,可以被视为函数$q_i(x):R^nrightarrow R$。特征向量之间单位正交,从而有$q_i^Tq_i=1$、$q_i^Tq_j=0$(或$int q_i(x)q_j(x)dx=0$)。特征值矩阵$Lambda=text{diag}(lambda_1,…,lambda_{ninfty})$。则$K$可以被表示为
begin{aligned}K&=sumlimits_{i=1}^{ninfty}lambda_iq_iq_i^T &=sumlimits_{i=1}^{ninfty}sqrt{lambda_i}q_isqrt{lambda_i}q_i^T &= [sqrt{lambda_1}q_1,…,sqrt{lambda_{ ninfty}}q_{ ninfty}]cdot [sqrt{lambda_1}q_1^T,…,sqrt{lambda_{ ninfty}}q_{ ninfty}^T]^Tend{aligned}
给上面的矩阵$K$和向量$q_i$加上索引$x,y$,就变成函数的形式,得到
$K(x,y) = [sqrt{lambda_1}q_1(x),…,sqrt{lambda_{ ninfty}}q_{ ninfty}(x)]cdot [sqrt{lambda_1}q_1(y),…,sqrt{lambda_{ ninfty}}q_{ ninfty}(y)]^T$
令$phi(x)=[sqrt{lambda_1}q_1(x),…,sqrt{lambda_{ ninfty}}q_{ ninfty}(x)]$,即有$K(x,y)=$。
可以看出,正定核一定可以被视为先经过某个维度的映射后再计算内积的过程。那么如何判断某个函数$K(x,y):R^ntimes R^nrightarrow R$是否正定?
以上证明的是在整个实数域内正定的核,称为Mercer核,而常用的正定核只要求在实数域的某个子集正定即可。因此正定核的条件比Mercer核更宽松,正定核包含Mercer核。通常我们处理的数据只属于实数域中的某个区间,并不需要Mercer核这么严格的要求。以上证明假定了矩阵的行列序号为按顺序排列的实数,实际上只要行列号一一对应,不按顺序同样成立,只要在矩阵$K$的左右分别乘上相同的行列交换矩阵即可。也就是常见的证明要求使任意的Gram矩阵正定。
必要性
下面证明,如果函数$K(x,y)$是核函数,则其对称正定。
根据条件,$K(x,y) = $,其中$phi(x):R^nrightarrow R^N$。则可以表示为
$K(x,y) = [phi_1(x),…,phi_N(x)]cdot [phi_1(y),…,phi_N(y)]^T$
转换成矩阵和向量的形式有
$K=sumlimits_{i=1}^Nphi_iphi_i^T$
其中$KinR^{ninftytimes ninfty},phiin R^{ninfty}$。对于任意$xin R^{ninfty}$,有
$xKx^T=sumlimits_{i=1}^Nxphi_iphi_i^Tx^T=sumlimits_{i=1}^Nxphi_i(phi_ix)^Tgeq 0$
所以对称正定。
参考
https://zhuanlan.zhihu.com/p/29527729
服务器托管,北京服务器托管,服务器租用 http://www.fwqtg.net
机房租用,北京机房租用,IDC机房托管, http://www.fwqtg.net
零、前言 本文为《自己动手写 Docker》的学习,对于各位学习 docker 的同学非常友好,非常建议买一本来学习。 书中有摘录书中的一些知识点,不过限于篇幅,没有全部摘录 (主要也是懒)。项目仓库地址为:JaydenChang/simple-docker …