วิธีการพิสูจน์ว่าเรเดียนพื้นฐานฟังก์ชั่นเป็นเคอร์เนล? เท่าที่ฉันเข้าใจเพื่อพิสูจน์ว่าเราต้องพิสูจน์ข้อใดข้อหนึ่งต่อไปนี้:
สำหรับชุดเวกเตอร์ใด ๆเมทริกซ์ =เป็น semidefinite บวก
การแมปสามารถนำเสนอเช่น =\
ความช่วยเหลือใด ๆ
วิธีการพิสูจน์ว่าเรเดียนพื้นฐานฟังก์ชั่นเป็นเคอร์เนล? เท่าที่ฉันเข้าใจเพื่อพิสูจน์ว่าเราต้องพิสูจน์ข้อใดข้อหนึ่งต่อไปนี้:
สำหรับชุดเวกเตอร์ใด ๆเมทริกซ์ =เป็น semidefinite บวก
การแมปสามารถนำเสนอเช่น =\
ความช่วยเหลือใด ๆ
คำตอบ:
เซนใช้วิธีที่ 1 นี่คือวิธีที่ 2: แผนที่กับการกระจายเสียนทรงกลมสมมาตรศูนย์กลางที่ในพื้นที่ Hilbert 2 ค่าเบี่ยงเบนมาตรฐานและปัจจัยคงที่จะต้องได้รับการปรับแต่งเพื่อให้สามารถทำงานได้อย่างแน่นอน ตัวอย่างเช่นในหนึ่งมิติ
ดังนั้นการใช้ค่าเบี่ยงเบนมาตรฐานของและขนาดการกระจายแบบเกาส์ที่จะได้รับ\ การลดขนาดครั้งล่าสุดนี้เกิดขึ้นเนื่องจากบรรทัดฐานของการแจกแจงแบบปกติไม่ใช่โดยทั่วไป k(x,Y)=⟨Φ(x),Φ(Y)⟩L21
ฉันจะเพิ่มวิธีที่สามเพียงเพื่อความหลากหลาย: สร้างเคอร์เนลจากลำดับขั้นตอนทั่วไปที่รู้จักกันในการสร้างเมล็ด pd ให้แทนโดเมนของเมล็ดด้านล่างและแผนที่คุณลักษณะ φ
scalings: ถ้าเป็น PD เคอร์เนลเพื่อให้เป็นสำหรับค่าคงที่ใด ๆ0แกมมาκ แกมมา> 0
พิสูจน์: ถ้าคือแผนที่คุณลักษณะสำหรับ ,คือแผนที่ที่ถูกต้องสำหรับ\κ √แกมมาκ
จำนวนเงิน: หากและมีเมล็ด PD เพื่อให้เป็น\κ 2 κ 1 + κ 2
พิสูจน์: Concatenate คุณลักษณะแผนที่และจะได้รับ{bmatrix}φ 2 x ↦ [ φ 1 ( x ) φ 2 ( x ) ]
ข้อ จำกัด : ถ้าเป็น pd kernels และสำหรับทั้งหมดแล้วคือ pdx , y ที่κ
พิสูจน์: สำหรับแต่ละและทุก ๆเรามี0 การ จำกัด เป็นให้คุณสมบัติเดียวกันสำหรับ\{ ( x ฉัน , คฉัน ) } m ฉัน= 1 ⊆ X × R Σ มฉัน= 1คฉันκ n ( x ฉัน , x J ) คเจ ≥ 0 n →การ∞ κ
ผลิตภัณฑ์: ถ้าและมีเมล็ด PD ดังนั้นy)κ 2 g ( x , y ) = κ 1 ( x , y )
การพิสูจน์: ตามมาทันทีจากทฤษฎีบทผลิตภัณฑ์ Schurแต่Schölkopfและ Smola (2002) ให้การพิสูจน์เบื้องต้นที่ดีต่อไปนี้ ให้ เป็นอิสระ ดังนั้น เมทริกซ์ความแปรปรวนร่วมจะต้องเป็น psd ดังนั้นเมื่อพิจารณาเมทริกซ์ความแปรปรวนร่วมของพิสูจน์ได้ C o v ( V i W i , V j W j ) = C o v ( V i , V j )
Powers: ถ้าเป็น PD เคอร์เนลเพื่อให้เป็นสำหรับการใด ๆ จำนวนเต็มบวกn
หลักฐาน: ทันทีจากคุณสมบัติ "ผลิตภัณฑ์"
Exponents: ถ้าเป็น PD เคอร์เนลเพื่อให้เป็นy))
พิสูจน์: เรามี ; ใช้คุณสมบัติ "powers", "scalings", "ผลรวม" และ "จำกัด "
ฟังก์ชั่น: ถ้าเป็น pd kernel และ ,ก็เช่นกัน
พิสูจน์: ใช้แผนที่คุณลักษณะ(x)
ตอนนี้โปรดทราบว่า เริ่มต้นด้วยเคอร์เนลเชิงเส้นใช้ "scalings" กับ , ใช้ "exponents" และใช้ "ฟังก์ชั่น" กับขวา)
ฉันจะใช้วิธีที่ 1 ตรวจสอบคำตอบของ Douglas Zare เพื่อหาหลักฐานโดยใช้วิธีที่ 2
ฉันจะพิสูจน์กรณีเมื่อเป็นจำนวนจริงดังนั้น2) กรณีทั่วไปดังต่อไปนี้โดยอนุโลมจากอาร์กิวเมนต์เดียวกันและมีมูลค่าการทำ
โดยไม่สูญเสียของทั่วไปเช่นสมมติว่า 1
เขียนโดยที่เป็นฟังก์ชันลักษณะของตัวแปรสุ่มมีการแจกแจง
สำหรับจำนวนจริงและเรามี ซึ่งหมายถึงว่าเป็นฟังก์ชัน semidefinite บวกหรือที่เรียกว่าเคอร์เนลk
เพื่อทำความเข้าใจผลลัพธ์นี้ในเรื่องทั่วไปมากขึ้นลองอ่านทฤษฎีบทของ Bochner: http://en.wikipedia.org/wiki/Positive-definite_function