Principales funciones del núcleo en la máquina de vectores de soporte (SVM)

Kernel Function es un método utilizado para tomar datos como entrada y transformarlos en la forma requerida de procesamiento de datos. «Kernel» se utiliza debido a un conjunto de funciones matemáticas utilizadas en Support Vector Machine que proporciona la ventana para manipular los datos. Por lo tanto, Kernel Function generalmente transforma el conjunto de datos de entrenamiento para que una superficie de decisión no lineal pueda transformarse en una ecuación lineal en una mayor cantidad de espacios de dimensión. Básicamente, devuelve el producto interno entre dos puntos en una dimensión de característica estándar. 
Ecuación estándar de la función del kernel   


: funciones principales del kernel: – 
Para implementar las funciones del kernel, primero que nada, tenemos que instalar la biblioteca «scikit-learn» usando el terminal del símbolo del sistema: 
 

    pip install scikit-learn

• Kernel gaussiano: se utiliza para realizar transformaciones cuando no se tiene conocimiento previo sobre los datos.

• Función de base radial (RBF) del núcleo gaussiano: Igual que la función del núcleo anterior, agregando el método de base radial para mejorar la transformación.

Gráfico de kernel gaussiano

Código: 

from sklearn.svm import SVC
classifier = SVC(kernel ='rbf', random_state = 0)
 # training set in x, y axis
classifier.fit(x_train, y_train)

• Núcleo sigmoide: esta función es equivalente a un modelo de perceptrón de dos capas de la red neuronal, que se utiliza como función de activación para neuronas artificiales.

Gráfico de kernel sigmoide

Código: 
 

from sklearn.svm import SVC
classifier = SVC(kernel ='sigmoid')
classifier.fit(x_train, y_train) # training set in x, y axis

• Kernel polinomial: Representa la similitud de vectores en el conjunto de datos de entrenamiento en un espacio de características sobre polinomios de las variables originales utilizadas en el kernel.

Gráfico de núcleo polinomial

Código:

from sklearn.svm import SVC
classifier = SVC(kernel ='poly', degree = 4)
classifier.fit(x_train, y_train) # training set in x, y axis

• Núcleo lineal: se utiliza cuando los datos son linealmente separables.

Código: 

from sklearn.svm import SVC
classifier = SVC(kernel ='linear')
classifier.fit(x_train, y_train) # training set in x, y axis