RBF高斯徑向基核函數(單值:兩個點相似性)
XVec表示X向量。||XVec||表示向量長度。
r表示兩點距離。r^2表示r的平方。
k(XVec,YVec) = exp(-1/(2*sigma^2)*(r^2))
= exp(-gamma*r^2)...... 公式-1
這裏, gamma=1/(2*sigma^2)是參數, r=||XVec-YVec||
實際上，可看作是計算2個點X與Y的相似性。很多參考書上，把YVec寫作XVec',即 k(XVec, XVec')，也是一樣的含義:兩點相似性。由於Matlab上面XVec'代表XVec的轉置向量(XVec)T,所以，爲規避歧義，我記作k(XVec,YVec)。如：LibSVM代碼，機器學習經典教材《Pattern Recognition and Machine Learning -Bishop》P312.(三大牛人鉅著: Michael I. Jordan,加州大學伯克利分校計算機系/Jon Kleinberg,康奈爾大學計算機系/Bernhard Schlkopf德國蒂賓根馬普所)。
r是半徑(radial)，這也是徑向基核函數(radial basis function)名稱的由來。
很容易，寫出高斯RBF matlab代碼:
r = norm(XVec-YVec, 2); % L2範數嘛
或者: r = sum((XVec-YVec).^2)^(1/2);
k = exp(-gamma*r^2);
假設X與Y矩陣的每一行是一個樣本，如何求得K(X,Y)?
假若X = train_data是訓練數據, K(X,X)是訓練核矩陣，可拿去LibSVM做自定義核訓練。當然，這裏只是童鞋們的一個練習。LibSVM svmtrain有RBF核(-t 2)。
假若X = test_data 是測試數據, Y = train_data 是訓練數據, 那麼 K(X,Y)是測試核矩陣了。(svmpredict)
MatLab下，核矩陣怎麼求更高效？去掉for循環！
推導下。
MatLab下，X'代表X的轉置矩陣。
r^2 = ||XVec - YVec||^2
= ||XVec||^2 + ||YVec||^2 - 2*XVec*YVec'
= XVec*XVec' + YVec*YVec' - 2*XVec*YVec'
r^2 = repmat( sum(X.^2,2), 1, size(Y,1) ) ...
+ repmat( sum(Y.^2,2), 1, size(X,1) )' ...
- 2*X*Y' ;
代入公式-1, 得到高斯徑向基RBF核矩陣KRBF = K(X, Y):
KRBF = exp(-gamma*r^2); % RBF核矩陣
在LibSVM中，gamma默認是：1/num_features , 即X與Y的列數。
假若X是m×d矩陣, Y是n×d矩陣，則KRBF = K(X, Y)是m×n矩陣;
則KRBF = K(Y, Y)是n×n矩陣。
例如：Corel5k圖片庫，提取出Gist全局視覺特徵，訓練數據4500×512矩陣Y，測試數據499×512矩陣X，特徵數num_features = 512，那麼 默認值 gamma = 1/512;
高斯徑向基RBF核矩陣KRBF 寫成MatLab函數:
function KMatrix = getKRBF(X, Y, gamma)
r2 = repmat( sum(X.^2,2), 1, size(Y,1) ) ...
+ repmat( sum(Y.^2,2), 1, size(X,1) )' ...
- 2*X*Y' ; % r^2(r的平方)
KMatrix = exp(-gamma*r2);