Kernel gaussien

Motivation

Fonction de similarité entre 2 points (donnée et landmark).

Analyse

Un kernel gaussien mesure la "distance" entre 2 points de données $x^i$ et $x^j$.

Conception

Le kernel gaussien est défini comme fonction de la norme (distance entre les points examinés) et d'un paramètre de largeur de bande/marge $\sigma$ :

$K_{\text{gaussien}}(x^{\left(i\right)},x^{\left(j\right)})=\exp (-\frac{{\Vert x^{\left(i\right)}-x^{\left(j\right)}\Vert }^2}{2{\sigma }^2})=\exp (-\frac{{\sum }_{k=1}^n{(x_k^{\left(i\right)}-x_k^{\left(j\right)})}^2}{2{\sigma }^2})$