当学习算法（例如分类、回归、聚类或降维）仅使用数据点之间的点积时，我们可以通过内核技巧隐式使用更高维映射 ，通过内核交换每个点积发生的实例。
例如，在线性模型中，SVM 可以解释为数据点添加一个常数列的截距。如果我们使用线性核，保持该列不变对我来说很有意义：您可以从核积系数 到和解决方案应该是相同的，使用或不使用内核。
但是如果内核不是线性的，如果映射在无限维中，所以列系数不可能用来表示，包含一个拦截词？
我们应该在内核化算法时考虑截距项吗？
机器算法验证
回归
机器学习
分类
内核技巧
2022-03-30 12:27:50
1个回答
部分答案：
专注于支持向量机一段时间，我得到了这个参考（@DikranMarsupial在支持向量机的偏差术语中指出）：
Poggio, T.、Mukherjee, S.、Rifkin, R. 和 Rakhlin, A. (2001)。维里，A. b . 在几何计算不确定性会议论文集中。
摘抄：
本文致力于回答以下问题：何时应使用b？是否可以选择使用或不使用b？选择意味着什么？RN（正则化网络）和 SVM 的答案是否不同？[...]
在他们的结论中，他们提到使用偏差项与不授予 SVM 中分类阈值的某些值有关。还：
对于无限条件正定内核，实际上需要b项，以允许对优化器进行自然解释。
对于正定核，自然的选择是没有b项，但是可以使用一个，实际上导致另一种核解释与没有它的核解释不同。
看到编写的最小化器包括要优化的显式参数b 。
其它你可能感兴趣的问题