今天的部分是利用高斯核函式對分佈稍微複雜一點的資料進行分類

這裡的高斯核函式是構建新的特徵，該特徵是關於到其餘所有樣點的歐式距離。

下面放出程式碼：

load('ex6data2.mat');
[m n]=size(X);
f=zeros(m,m);
a=0.005
for i=1:m
    Xp=X(i,:);
    Xp=repmat(Xp,m,1);
    Xp=exp(-sum((Xp-X).^2,2)./(2*a));
    f(i,:)=Xp';
end
C=1000;
theta=rand(m,1);
for i=1:1000 % 擬合次數  
      theta=theta-(((f).*(f*theta>=-1))'*(1-y)+((-f).*(f*theta<=1))'*y);
end
sum((1-y).*(f*theta>=-1)+y.*(f*theta<=1)) % 檢查分類錯誤樣本數
 

這裡的a比較關鍵，相當於放縮不同距離的權重，影響著最後的分類精度。
不太瞭解這個圖是怎麼畫出來的：

統計最後分類的錯誤樣本數量為0。以後有時間會再鑽研鑽研怎麼畫出來的。
（程式碼如果一時半會找不到錯誤，可以先放放，過幾天再看看的說~）