RBF: 종 모양 함수로 곡면 만들기
점 몇 개가 있고, 점 사이의 값을 메우고 싶습니다. 점마다 종 모양 혹을 하나씩 세우고 높이를 맞춰 더하면 모든 점을 지나는 매끄러운 곡선이 됩니다. 점을 끌고 폭을 바꾸며 혹이 어떻게 겹치는지 보세요.
한 줄 답. RBF(방사 기저 함수)는 중심(center)에서 멀어질수록 작아지는 혹입니다. 가장 많이 쓰는 가우스 RBF 는 φ(x) = exp(−‖x − c‖² ÷ (2σ²)) 로, 중심 c 에서 1 이고 폭 σ 를 넘어가면 빠르게 0 이 됩니다. 이런 혹을 여러 곳에 세우고 가중치를 곱해 더하면(f(x) = Σ wᵢ·φᵢ(x)) 점을 잇는 곡선이나 곡면이 됩니다. 같은 혹이 RBF 신경망의 은닉층, SVM 의 RBF 커널, 흩어진 측정값 사이를 메우는 보간에 쓰입니다.
초록 동그라미가 점(지어낸 자료 6개)이고 끌어서 옮길 수 있습니다. 점을 고르고 숫자 칸으로 고쳐도 됩니다. 보라 가는 선은 점마다 세운 혹 wᵢ·φᵢ(x), 굵은 먹색 선은 그 합 f(x), 주황 막대는 고른 점에서 폭 σ 만큼의 길이입니다. 「좁음·넓음」은 이 실험의 어림 기준입니다(σ 가 점 간격 평균의 1/3 보다 좁으면 좁음, 곡선이 점에서 0.3 넘게 빗나가면 넓음). 가중치를 구할 때 아주 작은 수 λ = 0.01 을 더해 풀어서(5절), 폭이 알맞을 때도 곡선이 점을 아주 조금 비켜 갑니다.
해 볼 것. ① 처음(σ = 1)에는 곡선이 여섯 점을 거의 지납니다(가장 많이 빗나간 거리 0.05). 가중치는 −0.2, 3.74, −0.82, 5.02, −1.18, 3.29 로 1·3·5번이 음수입니다. 이웃 혹이 겹쳐 올려 준 높이를 빼느라 그렇습니다. ② σ 를 0.3 으로 줄이면 「좁음」이 됩니다. 점마다 뾰족한 봉우리가 서고, 1번과 2번 점 사이 가운데(x = 1.75)에서 곡선이 0.2 까지 내려옵니다(두 점의 높이는 1 과 3.5). 가중치 0.99, 3.47, 1.98, 4.46, 1.49, 2.97 은 점의 높이 1, 3.5, 2, 4.5, 1.5, 3 과 거의 같습니다. 혹이 겹치지 않아 저마다 자기 점만 맡기 때문입니다. ③ σ 를 2 로 넓히면 「넓음」이 됩니다. 곡선이 점에서 0.68 까지 빗나가고 가장 큰 |w| 가 67.63 으로 커집니다. 3 이면 빗나감 1.43, 가장 큰 |w| 143.27 이고 곡선이 납작하게 뭉개집니다. ④ 점 하나를 다른 점 바로 위나 아래로 끌어 같은 x 에 두어 보세요. λ 덕분에 계산이 멈추지 않습니다.
1. RBF 란: 중심에서 멀어질수록 작아지는 혹
방사 기저 함수(radial basis function, RBF)는 값이 중심 c 까지의 거리 하나로만 정해지는 함수입니다. 방향은 보지 않습니다. 중심에서 같은 거리에 있는 x 는 모두 같은 값을 받습니다. 그래서 1차원에서는 좌우가 같은 모양이고, 2차원에서는 등고선이 원입니다.
가장 많이 쓰는 모양은 가우스 RBF, 곧 종 모양입니다.
φ(x) = exp(−‖x − c‖² ÷ (2σ²))
c 중심
σ 폭. 클수록 넓게 퍼진다
‖x − c‖ x 와 c 사이의 거리. 1차원이면 |x − c|, 여러 차원이면 √((x₁ − c₁)² + (x₂ − c₂)² + …)
혹 하나로는 할 수 있는 일이 적습니다. 중심을 여러 곳에 두고 혹마다 가중치 wᵢ 를 곱해 더하면 여러 모양을 만들 수 있습니다.
f(x) = w₁·φ₁(x) + w₂·φ₂(x) + … + w_n·φ_n(x) = Σ wᵢ·exp(−‖x − cᵢ‖² ÷ (2σ²))
f(x): 혹들을 모두 더한 값. 위 실험의 먹색 곡선입니다.φᵢ(x): i 번째 혹. 중심이cᵢ인 가우스 RBF 입니다.cᵢ: i 번째 혹의 중심. 위 실험에서는 점마다 그 점의 x 입니다.wᵢ: i 번째 혹에 곱하는 가중치.σ: 폭. 모든 혹이 같은 σ 를 씁니다.n: 혹의 수.
위 실험이 이 식입니다. 점마다 그 점의 x 를 중심으로 하는 혹을 세우고(보라), 모두 더한 것이 먹색 곡선입니다. 입력이 2차원이면 혹은 둥근 언덕이 되고 더한 것은 곡면이 됩니다. 그래서 「곡면 만들기」입니다.
가우스 말고도 RBF 는 여럿입니다. 거리를 r 이라 하면 r²·log r 인 thin-plate spline, −√(1 + r²) 인 multiquadric 같은 것이 있고, SciPy 의 RBFInterpolator 는 thin-plate spline 이 기본입니다. 이 쪽은 가우스만 다룹니다.
2. 식이 만들어지는 과정
거리 하나에서 출발해 다섯 번 바꾸면 종이 되고, 마지막에 혹들을 더합니다. 중심 c 는 위 실험에서 고른 점(처음에는 3번 점, x = 4)의 x 이고, 폭 σ 도 위 실험의 막대 값을 그대로 씁니다.
- 거리
‖x − c‖. 방향을 버리고 얼마나 먼지만 남깁니다. c 에서 꺾인 V 자입니다. - 제곱
‖x − c‖². 꺾인 곳 없이 매끄러운 그릇이 되고, 여러 차원에서 √ 를 풀 수 있습니다. - 음수로
−‖x − c‖². 그릇을 뒤집어 중심이 가장 높게 합니다. - exp
exp(−‖x − c‖²). 0 은 1 로, 멀리는 0 으로 갑니다. 0 과 1 사이의 종이 됩니다. - 폭으로 나누기
exp(−‖x − c‖² ÷ (2σ²)). σ 로 종의 폭을 고릅니다. c 에서 σ 떨어진 곳의 높이는 늘 exp(−1/2) ≈ 0.61 입니다. - 가중합
f(x) = Σ wᵢ·φᵢ(x). 혹마다 높이를 정해 더합니다. 가중치는 4절처럼 연립방정식으로 구합니다.
해 볼 것. ⑤ 단계에서 위 실험의 폭 막대를 0.3 이나 3 으로 바꿔 보세요. 종이 좁아지거나 넓어져도, c 에서 σ 떨어진 곳의 높이는 0.61 그대로입니다. 위 실험에서 다른 점을 고르면 중심 c 가 그 점으로 옮겨 갑니다.
3. 꼭 알아야 할 성질
| 성질 | 쉬운 말 | 실험에서 |
|---|---|---|
| 중심에서 1, 멀어지면 0 | 거리 0 에서 1, σ 에서 0.607, 2σ 에서 0.135, 3σ 에서 0.011. 멀리 있는 점에는 거의 영향을 주지 않는다 | 2절 ④·⑤ 단계 |
| 거리만 본다 | 방향과 상관없이 같은 거리면 같은 값. 그래서 1차원이든 100차원이든 식이 같다 | 2절 ① 단계 |
| 폭 하나가 영향 범위를 정한다 | σ 가 크면 넓게, 작으면 좁게. γ = 1 ÷ (2σ²) 로 적기도 한다. σ 가 두 배면 γ 는 1/4 | 폭 막대 |
| 점의 위치가 모두 다르면 답이 하나 있다 | 가우스 혹으로 만든 행렬은 양의 정부호라, 가중치를 구하는 연립방정식은 늘 답이 하나다. 같은 x 에 점이 둘이면 두 식이 부딪쳐 풀 수 없다 | 해 볼 것 ④ |
| 이론과 계산은 다르다 | 폭이 넓으면 답이 있어도 행렬이 거의 풀 수 없는 상태(나쁜 조건)가 되어 가중치가 터진다 | 5절 |
4. 손으로 풀어 보기: 점 둘
점 둘 (1, 2) 와 (3, 1) 을 σ = 1 인 혹 둘로 잇습니다. 중심은 c₁ = 1, c₂ = 3 입니다. 여기서는 λ 없이 풉니다.
- 혹끼리 겹친 정도. 두 중심 사이의 거리는 2 입니다.
exp(−2² ÷ (2·1²)) = exp(−2) ≈ 0.1353. 자기 자신까지는 거리 0 이라exp(0) = 1. - 식 세우기. 「x = 1 에서 곡선 = 2」와 「x = 3 에서 곡선 = 1」:
w₁·1 + w₂·0.1353 = 2,w₁·0.1353 + w₂·1 = 1. - 풀기.
w₁ = (2 − 0.1353·1) ÷ (1 − 0.1353²) = 1.8647 ÷ 0.9817 ≈ 1.8995,w₂ = (1 − 0.1353·2) ÷ 0.9817 ≈ 0.7429. - 확인. x = 1 에서
1.8995·1 + 0.7429·0.1353 = 1.8995 + 0.1005 = 2. 점을 지납니다. - 점 사이. x = 2 는 두 중심에서 1 씩 떨어져 있어 두 혹 모두
exp(−1/2) ≈ 0.6065입니다.f(2) = 0.6065 × (1.8995 + 0.7429) ≈ 1.603. 2 와 1 사이의 값이 나왔습니다.
점이 n 개면 식도 n 개이고, 혹끼리 겹친 정도를 모은 표(행렬 Φ)는 n × n 입니다. 위 실험은 점 6개라 6 × 6 을 같은 방법(가우스 소거)으로 풉니다.
5. 폭 σ(γ)를 잘못 고르면
- 너무 좁으면(σ 작음, γ 큼): 혹이 점 사이 간격보다 좁아 점마다 뾰족한 봉우리가 서고, 점 사이에서는 0 쪽으로 떨어집니다. 점 위에서는 맞지만 점 사이 값은 쓸모가 없습니다. SVM 에서는 혹이 서포트 벡터 자신만 덮게 되어, scikit-learn 예제의 말로 C 로 아무리 규제해도 과적합을 막지 못합니다.
- 너무 넓으면(σ 큼, γ 작음): 혹이 모두 겹쳐 서로 거의 같아집니다. 거의 같은 혹들의 차이로 모양을 만들어야 해서 가중치가 커다란 양수와 음수로 오갑니다. 연립방정식은 이론상 답이 있어도 거의 풀 수 없는 상태(나쁜 조건)가 됩니다. SciPy 문서도 폭이 넓으면(모양 매개변수가 작으면) 문제가 나쁜 조건이 되거나 풀 수 없게 될 수 있다고 적습니다. SVM 에서는 모델이 너무 묶여 자료의 모양을 잡지 못합니다.
λ: 점을 꼭 지나지 않아도 되게
위 실험은 Φ 의 대각선에 작은 수 λ = 0.01 을 더해 (Φ + λI)·w = y 를 풉니다. 곡선이 점을 조금 비켜 가도 된다고 허락하는 대신, 같은 x 에 점이 둘이어도 풀리고 넓은 폭에서도 가중치가 터지지 않습니다. λ 없이 풀면 σ = 3 에서 곡선은 점을 모두 지나지만 가장 큰 |w| 가 4147.74 입니다. λ = 0.01 이면 143.27 로 줄고, 대신 곡선이 점에서 1.43 까지 빗나가며 납작해집니다. SciPy 의 RBFInterpolator 에서는 smoothing 값이 같은 구실을 합니다. 문서의 말로 0 이면 점을 정확히 지나고, 크게 하면 다항식을 최소제곱으로 맞춘 것에 가까워집니다.
폭은 어떻게 고르나
정답을 주는 식은 없습니다. 몇 가지 값을 놓고 떼어 둔 자료에서 가장 잘 맞는 값을 고릅니다. SciPy 문서는 그 방법으로 교차 검증을 듭니다. 거리를 재므로 입력의 눈금이 다르면 먼저 표준화합니다. 이 실험에서는 점 간격(평균 1.5)보다 조금 좁은 σ = 1 근처에서 곡선이 점을 지나며 매끄러웠습니다.
6. 세 곳에서 쓰는 같은 혹
보간: 흩어진 점 사이 메우기
위 실험이 이것입니다. 중심은 자료의 점, 가중치는 연립방정식의 답입니다. 점을 지나는 곡선(곡면)을 만듭니다. 점이 격자에 놓이지 않고 아무 데나 흩어져 있어도 되고, 입력이 2차원·3차원이어도 거리만 바꾸면 같은 식입니다.
RBF 신경망
은닉층이 하나인 신경망입니다. 은닉 뉴런 하나가 혹 하나입니다. 뉴런마다 중심을 하나 갖고, 입력이 그 중심에 얼마나 가까운지를 종 모양으로 냅니다. 출력 칸은 그 값들에 가중치를 곱해 더합니다. 곧 f(x) = Σ wᵢ·φᵢ(x) 그대로입니다. 보간과 다른 점은 중심을 자료의 점마다 두지 않고 몇 개만 고른다는 것입니다(예: 자료를 몇 클러스터로 나눈 뒤 클러스터마다 중심 하나). 중심이 점보다 적으면 모든 점을 지날 수 없으니, 가중치는 빗나감의 제곱합이 가장 작게 구합니다(최소제곱). 중심과 폭을 정해 두면 이것도 연립방정식 한 번이라 경사 하강법으로 오래 학습하지 않아도 됩니다. Broomhead 와 Lowe 의 논문은 신경망의 학습을 높은 차원의 곡면을 자료에 맞추는 일로, 일반화를 아는 점 사이의 보간으로 보고, 그 보간을 그대로 드러내는 신경망을 내놓았습니다.
SVM 의 RBF 커널
SVM(서포트 벡터 머신)은 두 클래스(class)를 가르는 경계를 찾습니다. RBF 커널을 쓰면 새 점 x 의 점수가 이렇게 나옵니다(scikit-learn 문서).
점수(x) = Σ yᵢ·αᵢ·K(xᵢ, x) + b K(xᵢ, x) = exp(−γ‖xᵢ − x‖²), γ > 0
점수의 부호가 + 면 한쪽 클래스, − 면 다른 클래스
점수(x): 새 점 x 의 점수. 0 인 곳이 경계입니다.xᵢ: i 번째 학습 자료. 자료마다 혹을 세웁니다.yᵢ:xᵢ의 클래스 레이블(+1 또는 −1).αᵢ: 혹마다 곱하는 가중치. 두 클래스 사이의 마진(margin)을 넓히는 최적화로 구하고, 대부분 0 이 됩니다.K(xᵢ, x): RBF 커널.xᵢ에 세운 혹의 x 에서의 높이입니다.γ: 혹의 폭을 정하는 값.γ = 1 ÷ (2σ²)라서 γ 가 크면 혹이 좁습니다.
모양이 위의 가중합과 같습니다. 학습 자료 xᵢ 마다 혹을 세우고, 클래스 레이블 yᵢ(+1 또는 −1)와 αᵢ 를 곱해 더합니다. 점수가 0 인 곳이 경계입니다. 다른 점은 둘입니다. 하나, 가중치 αᵢ 를 연립방정식이 아니라 두 클래스 사이의 마진을 넓히는 최적화로 구합니다. 둘, 그 결과 대부분의 αᵢ 가 0 이 되어 마진 안에 놓인 점(서포트 벡터)의 혹만 남습니다. γ = 1 ÷ (2σ²) 이므로 γ 가 크면 혹이 좁습니다. scikit-learn 의 예제는 γ 를 학습 자료 하나의 영향이 얼마나 멀리 닿는가로 설명합니다.
책에서는 이것을 「커널 트릭」으로 설명합니다. 입력을 아주 높은 차원으로 옮긴 뒤 평평한 면으로 가르는 것과 같은 일을, 옮기지 않고 K 만 계산해서 한다는 뜻입니다. 결과는 원래 입력에서 휘어진 경계입니다. 직선으로 가르는 로지스틱 회귀와 비교해 보세요.
7. 자료가 많거나 차원이 높을 때
- 점이 많으면 표가 커집니다. 점 n 개면 n × n 행렬을 만들고 풀어야 합니다. 메모리는 n² 로, 가우스 소거의 계산은 n³ 로 늘어납니다. 점 1,000 개면 백만 칸, 10,000 개면 1억 칸입니다. SciPy 문서는 RBF 보간의 메모리가 점의 수의 제곱으로 늘어 약 천 개를 넘으면 버거울 수 있다고 적고, 가까운 점 몇 개만 쓰는
neighbors를 권합니다. - SVM 도 비슷합니다. scikit-learn 문서는 SVC 의 학습 시간이 자료 수의 제곱 이상으로 늘어 수만 개를 넘으면 쓰기 어렵다고 적고, 큰 자료에는 LinearSVC 나 SGDClassifier 같은 선형 모델에 커널을 어림하는 변환(Nystroem 등)을 붙이라고 권합니다.
- 차원이 높으면 혹이 많이 필요합니다. 혹 하나는 중심 근처만 덮습니다. 한 축을 혹 10 개로 덮는다면 2차원은 10 × 10 = 100 개, 3차원은 1,000 개, 10차원은 100억 개가 필요합니다. 그림(픽셀 수천 개)이나 글처럼 입력이 큰 자료에서는 혹으로 공간을 덮는 방식이 맞지 않기 쉽고, 쓸모 있는 특징을 스스로 배우는 보통의 신경망을 많이 씁니다.
- 거리가 뜻이 있어야 합니다. 입력마다 눈금이 다르면 큰 눈금의 입력이 거리를 다 차지합니다. 먼저 표준화합니다.
- 점을 정확히 지나는 것이 늘 좋지는 않습니다. 측정값에 오차가 있으면 보간은 그 오차까지 따라갑니다. ArcGIS 문서도 측정 오차가 의심되거나 짧은 거리에서 값이 크게 바뀌는 곳에는 RBF 보간이 맞지 않는다고 적습니다. λ(smoothing)로 조금 비켜 가게 하거나 다른 방법을 씁니다.
어디에 쓰나
- 측정 지점 사이의 값 메우기. 몇 곳에서만 잰 높이 같은 값으로 그 사이를 채운 면을 만듭니다. 지리 정보 도구 ArcGIS 의 문서는 RBF 를 측정한 표본 값을 모두 정확히 지나는 보간으로 소개하고, 높이처럼 완만하게 바뀌는 면에 좋은 결과를 낸다고 적습니다. 그 도구의 RBF 목록에는 가우스가 없고 thin-plate spline, multiquadric 등이 있습니다.
- 의료 영상 맞추기(정합). 두 영상이 서로 겹치도록 한쪽을 휘게 하는 일에 RBF 를 쓴 연구가 있습니다. 예: Fornefett, Rohr, Stiehl 의 논문 「Radial basis functions with compact support for elastic registration of medical images」. 제목대로 이 연구의 RBF 는 종 모양이 아니라 중심에서 일정 거리 밖은 0 인 모양입니다.
- 분류. 직선으로 가를 수 없는 두 클래스를 RBF 커널 SVM 으로 가릅니다. 자료가 수만 개 안쪽일 때 씁니다.
- 낮은 차원의 매끄러운 함수 근사. RBF 신경망으로 입력이 몇 개뿐인 함수를 혹 몇 개의 합으로 나타냅니다.
언제 무엇을 쓰나
| 선택지 | 좋은 점 | 나쁜 점 | 쓰는 경우 |
|---|---|---|---|
| RBF 보간 | 점을 정확히 지난다. 점이 흩어져 있어도, 2·3차원이어도 같은 식. 학습 없이 연립방정식 한 번 | 점 n 개면 n × n 표(메모리 n²). 폭을 골라야 하고 넓으면 계산이 흔들린다. 측정 오차까지 따라간다 | 측정 지점 사이의 값 메우기. 점이 많아야 수천 개, 입력이 2~3차원 |
| RBF 신경망 | 중심과 폭을 정하면 출력 가중치는 최소제곱 한 번. 뉴런 하나의 뜻(이 중심에 가까운가)이 읽힌다 | 중심을 어디에 몇 개 둘지 따로 정해야 한다. 차원이 높으면 혹이 아주 많이 필요하다 | 입력이 적은 매끄러운 함수 근사. 빨리 만들어 볼 때 |
| RBF 커널 SVM | 휘어진 경계를 그린다. 주로 고를 값이 C 와 γ 둘. 서포트 벡터만 남는다 | 학습 시간이 자료 수의 제곱 이상으로 늘어 수만 개를 넘으면 어렵다. γ 와 C 에 민감하다 | 자료가 수만 개 안쪽인 분류. 입력을 표준화한 표 자료 |
| 보통의 신경망 | 자료를 작은 배치(batch)씩 넣어 큰 자료도 배운다. 그림·글처럼 입력이 큰 자료에서 특징을 스스로 배운다 | 층 수, 학습률 등 고를 것이 많고 학습이 오래 걸린다. 점을 정확히 지나게 만들지 않는다 | 자료가 많을 때. 그림, 소리, 글 |
자주 묻는 것
σ 와 γ 는 무엇이 다른가요?
같은 폭을 두 가지로 적은 것입니다. γ = 1 ÷ (2σ²) 라서 σ 가 크면(넓은 혹) γ 가 작습니다. scikit-learn 의 SVC 는 gamma 를 받습니다. SciPy 의 RBFInterpolator 는 거리에 곱하는 epsilon 을 받아 exp(−(ε·r)²) 를 쓰므로 ε = 1 ÷ (√2·σ) 입니다. 라이브러리를 바꿀 때는 폭을 어느 쪽으로 적었는지 먼저 봅니다.
폭은 어떻게 고르나요?
정답을 주는 식은 없습니다. 몇 가지 값을 놓고 떼어 둔 자료에서 가장 잘 맞는 값을 고릅니다(교차 검증). 거리를 재므로 입력의 눈금이 다르면 먼저 표준화합니다. 너무 좁으면 점마다 봉우리가 서고, 너무 넓으면 계산이 흔들리거나 곡선이 뭉개집니다.
RBF 신경망과 보통의 신경망은 무엇이 다른가요?
RBF 신경망의 은닉 뉴런은 입력이 자기 중심에 얼마나 가까운지를 종 모양으로 내서, 중심 근처에서만 반응합니다. 보통 신경망의 뉴런은 입력에 가중치를 곱해 더한 값을 꺾어 내서(예: ReLU), 어떤 경계의 한쪽 전체에서 반응합니다. RBF 신경망은 중심과 폭을 정하면 출력 가중치를 연립방정식으로 한 번에 풀 수 있고, 보통 신경망은 모든 가중치를 경사 하강법으로 함께 배웁니다.
낱말
| 여기서 쓴 말 | 책에서 부르는 말 |
|---|---|
| 종 모양 혹 | 가우스 방사 기저 함수(Gaussian radial basis function, Gaussian RBF), 가우스 커널(Gaussian kernel) |
| 거리만 보는 함수 | 방사 함수(radial function) |
| 혹의 가운데 | 중심(center) |
| 폭 σ, γ, ε | 폭(width), 모양 매개변수(shape parameter). SVM 에서는 γ(gamma) |
| 혹마다 곱하는 수 | 가중치(weight), 계수(coefficient) |
| 점을 지나는 곡선(곡면) 만들기 | 보간(interpolation), 흩어진 자료 보간(scattered data interpolation) |
| 혹끼리 겹친 정도를 모은 표 Φ | 보간 행렬(interpolation matrix), 커널 행렬(kernel matrix) |
| 대각선에 더하는 작은 수 λ | 평활(smoothing), 규제(regularization) |
| 답은 있지만 거의 풀 수 없는 상태 | 나쁜 조건(ill-conditioned) |
| 늘 답이 하나인 행렬의 성질 | 양의 정부호(positive definite) |
| 빗나감 제곱합을 가장 작게 | 최소제곱(least squares) |
| 마진 안에 놓여 혹을 남기는 점 | 서포트 벡터(support vector) |
| SVM 의 점수 | 결정 함수(decision function) |
| 옮기지 않고 K 만 계산하기 | 커널 트릭(kernel trick) |
| 떼어 둔 자료로 고르기 | 교차 검증(cross-validation) |
| 영상 맞추기 | 정합(image registration) |
| 차원이 높을수록 덮을 칸이 곱으로 느는 것 | 차원의 저주(curse of dimensionality) |
출처
- D. S. Broomhead, David Lowe, Multivariable Functional Interpolation and Adaptive Networks, Complex Systems 2권 3호. 학습을 곡면 맞추기로, 일반화를 점 사이의 보간으로 보는 RBF 신경망(초록).
- scikit-learn 문서: Support Vector Machines(RBF 커널 exp(−γ‖x − x'‖²), γ > 0, 결정 함수와 서포트 벡터), SVC(학습 시간과 큰 자료), RBF SVM parameters(γ 가 너무 크거나 작을 때).
- SciPy 문서: scipy.interpolate.RBFInterpolator. RBF 의 종류, epsilon, smoothing, 나쁜 조건, 메모리와 neighbors.
- 쓰이는 곳: ArcGIS Pro 문서 How radial basis functions work(측정 지점의 보간). Fornefett, Rohr, Stiehl, Radial basis functions with compact support for elastic registration of medical images, Image and Vision Computing(의료 영상 정합).