承接支持向量機器 (Support Vector Machine)的介紹之後，我們知道資料通常沒有那麼容易地被完美分類，那問題是不是就無解了呢？其實不然，如果用直線無法區分，那麼就用曲線來區分，然而曲線也會遇到障礙，而不得不讓資料混在錯的類別，如果我們提高層次來看待分類，那麼問題似乎就變得簡單了。
以一般人都能體會的方式來解釋層級問題，我們在小學、中學到大學每個階段看待同一件事情會有不同的想法，其實非線性支持向量機器 (Non-linear SVMs)就是以這樣子的方式來解決分類問題。如果你在小學不了解愛情和友情的差別，在你大學時談戀愛之後就知道它們的差異為何。
當所有資料都在一條直線上，而兩類資料剛好各落於一方，這樣的情況來分類最簡單。
當然事情可能比想像中複雜點，我們要怎樣用一個點來分類此情況？
將資料從一維提升至二維，我們就可以用一條線來分類此請況。
在二維中遇到這種情況，又想用一條線來分類，其實仕不可能的，這時候再把資料從二維提昇至三維，接著就可以用一個平面來分類此情況。
當然我們會有個疑問，會想要用曲線或曲面來分類，其實這是可行的！問題是曲線和曲面很難用數學式子或方程式來描述，如果用暴力法只會增加計算複雜度。雖然可以提高維度來求出超平面 (hyperplane)，但若資料無額外的特徵 (feature)，那麼提高維度就是個問題，此外越高維度計算量越大！
註：超平面 (hyperplane)：A hyperplane is a concept in geometry. It is a generalization of the plane into a different number of dimensions. A hyperplane of an n-dimensional space is a flat subset with dimension n – 1. By its nature, it separates the space into two half spaces.
逍遙文工作室 
Comments on: "非線性支持向量機器 (Non-linear SVMs)" (5)
去跟可可借量子計算機來算就搞定了XD
讚讚
誰是可可阿？我還滿喜歡喝巧克力牛奶的～
讚讚
[…] 既SVM實驗後，接著實驗高階的SVM。首先還是要瞭解支持向量機器 (Support Vector Machine)和非線性支持向量機器 (Non-linear SVMs)，先前的SVM實驗也可以參考。 […]
讚讚
[…] 剛把OpenCV更新到2.4.3版，來試驗一下它的SVM好不好用。首先當然要瞭解支持向量機器 (Support Vector Machine)和非線性支持向量機器 (Non-linear SVMs)，先前的SVM實驗也可以參考。 […]
讚讚
[…] 稍微瞭解支持向量機器 (Support Vector Machine)和非線性支持向量機器 (Non-linear SVMs)後，來使用OpenCV做個小小的實驗。 […]
讚讚