Python实战：5分钟搞定高斯核函数可视化（附完整代码）

Python实战：5分钟搞定高斯核函数可视化（附完整代码）

最近在辅导几位刚入门机器学习的朋友时，我发现一个挺普遍的现象：大家啃得动线性回归、逻辑回归的公式，但一碰到“核函数”，尤其是“高斯核函数”，就有点云里雾里了。教科书上那些无穷维映射、正定核的数学证明，固然严谨，但对初学者建立直观感受帮助有限。其实，理解核函数，尤其是高斯核，最有效的方式不是死磕公式，而是亲手把它画出来，看看它到底长什么样，感受一下它如何“扭曲”空间。

这篇文章就是为你准备的，如果你正处在对支持向量机（SVM）或核方法感到好奇却又有点畏惧的阶段。我们将完全避开复杂的理论推导，聚焦于实战：如何用Python中最基础的NumPy和Matplotlib库，在短短几分钟内，生成清晰、美观的高斯核函数及其基函数图像。通过可视化，你会直观地看到，一个简单的数学形式如何创造出复杂的决策边界，从而理解它为何是处理非线性问题的利器。我们将从零开始，一步步写出代码，并解释每一行代码背后的意图，确保你不仅能复制粘贴，更能真正掌握。

1. 环境准备与核心概念速览

在开始敲代码之前，我们花几分钟把核心装备和核心思想理顺。你不需要高深的数学背景，只需要对Python有最基础的了解，知道如何安装库和运行脚本就行。

你需要准备的环境非常简单：

• Python 3.6+：这是我们的工作语言。
• NumPy：用于高效的数值计算，特别是数组操作和数学函数。
• Matplotlib：用于绘制一切图表，是我们的“画笔”。

如果你使用Anaconda，这些库通常已经预装。如果没有，打开你的终端或命令提示符，一行命令就能搞定：

pip install numpy matplotlib

现在，让我们用最直白的话理解高斯核函数（也叫径向基函数，RBF）。你可以暂时忘掉“映射到高维空间”这个抽象说法。想象一下，你有一堆混在一起的红豆和绿豆（非线性可分的数据）。在二维平面上，你找不到一条直线把它们完美分开。高斯核函数的作用，就好比给你一个智能的透镜。当你透过这个透镜去看这些豆子时，空间被“弯曲”和“拉伸”了，原本挤在一起的豆子，在新的视角下（高维空间的特征），变得可以用一个平面（超平面）轻松隔开。

这个“透镜”的数学形式就是： K(x, y) = exp(-γ * ||x - y||²) 其中，||x - y|| 是两点之间的欧氏距离，γ (gamma) 是一个大于0的参数，它控制着透镜的“焦距”。γ 越大，透镜的聚焦能力越强，影响范围越窄；γ 越小，透镜越“散光”，影响范围越广。这个公式的妙处在于，它通过计算数据点之间的相似度（距离越近，相似度越高，函数值越接近1；距离越远，相似度越低，函数值越接近0）来隐式地完成了复杂的空间变换。

提示：在后续的SVM等算法中，你会经常遇到另一个参数 C 和 γ。C 控制模型对错误分类的惩罚力度，而 γ 则直接控制高斯核的“宽度”，两者共同决定了模型的复杂度。

理解了核心思想后，我们进入实战环节。我们的目标是画出两类图：一是单个的基函数（就像构成透镜的一个个微小镜片），二是完整的核函数（透镜的整体效果）。

2. 绘制高斯基函数：理解“基本组成单元”

高斯核函数可以被看作是由无数个高斯基函数叠加而成的。每个基函数都以一个特定的样本点为中心。绘制基函数，能帮助我们理解这个“透镜”是由什么“材料”构成的。

我们先来绘制一维情况下的基函数。假设我们在区间[-5, 5]上选取了5个等间距的中心点。每个中心点上“放置”一个高斯形状的“小山丘”。代码和思路如下：

import numpy as np
import matplotlib.pyplot as plt

# 设置图像显示中文（可选）
plt.rcParams['font.sans-serif'] = ['SimHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号

# 1. 定义高斯基函数
def gaussian_basis(x, center, gamma=1.0):
    """
    计算一维高斯基函数的值。
    参数:
        x: 输入值（可以是一个数或NumPy数组）
        center: 基函数的中心点
        gamma: 控制函数宽度的参数，gamma越大，函数越“瘦高”
    返回:
        高斯基函数在x处的值
    """
    return np.exp(-gamma * (x - center) ** 2)

# 2. 创建数据点
x_plot = np.linspace(-5, 5, 500) # 在[-5,5]区间生成500个平滑的点
centers = np.linspace(-4, 4, 5) # 5个中心点，从-4到4均匀分布
gamma = 0.5 # 设置一个gamma值，你可以调整它看效果

# 3. 绘制每一个基函数
plt.figure(figsize=(10, 6))
for i, center in e