Wat is Radial Basis Function?

Wat is een Radial Basis Function eigenlijk?

Stel je voor dat je een dartbord hebt. Hoe dichter je pijltje bij het midden komt, hoe meer punten je krijgt. Een Radial Basis Function (RBF) werkt op een vergelijkbare manier: het is een functie die berekent hoe 'dichtbij' iets is ten opzichte van een bepaald middenpunt, en die afstand gebruikt om een score te geven.

In machine learning gebruik je dit principe om patronen te herkennen. Je plaatst als het ware verschillende middenpunten in je data, en elk nieuw datapunt krijgt een score op basis van hoe dicht het bij die middenpunten ligt. Punten die dichtbij zijn krijgen een hoge waarde, punten die ver weg zijn krijgen een lage waarde.

De 'radial' in de naam betekent dat de functie in alle richtingen even sterk werkt — net als de cirkels die ontstaan als je een steen in het water gooit. Vanaf het centrum neemt de intensiteit af, ongeacht vanuit welke richting je kijkt.

Waar word je dit tegen?

RBF's kom je vooral tegen in twee situaties:

Support Vector Machines (SVM's): Dit zijn klassieke machine learning-modellen die o.a. voor classificatie gebruikt worden. De RBF-kernel (een specifieke variant) is daar een populaire keuze omdat het goed kan omgaan met complexe, niet-lineaire patronen. Denk aan het herkennen van handgeschreven cijfers of het classificeren van emailberichten als spam of niet-spam.

Neurale netwerken met RBF-laag: Sommige specifieke netwerkarchitecturen gebruiken RBF's in een tussenlaag. Deze 'RBF-netwerken' waren vooral populair in de jaren '90 en worden nog steeds gebruikt voor specifieke taken zoals tijdreeksvoorspelling of interpolatie van meetdata.

Je ziet het ook in praktische toepassingen zoals:

• Medische beeldverwerking (tumor-detectie op basis van afwijkende waarden)

• Voorspellen van aandelenkoersen (patronen in historische data)

• Robotica (bewegingsplanning op basis van ruimtelijke coördinaten)

Hoe werkt het in de praktijk?

Stel dat je wilt voorspellen of een huis duur of goedkoop is, op basis van locatie. Je plaatst middenpunten op plekken waar je weet dat huizen duur zijn (centrum, aan het water). Elk nieuw huis krijgt een score op basis van hoe dicht het bij die 'dure' middenpunten ligt. Ligt het vlakbij? Grote kans dat het duur is. Ligt het ver weg? Waarschijnlijk goedkoper.

De meest gebruikte vorm is de Gaussische RBF, genoemd naar de klokvormige curve die ontstaat. Deze zorgt ervoor dat de invloed geleidelijk afneemt naarmate je verder van het middenpunt komt — niet abrupt.

Waarom zou je hier iets aan hebben?

Als je werkt met klassieke machine learning-modellen en te maken hebt met data waarbij 'nabijheid' belangrijk is, dan zijn RBF's een krachtig gereedschap. Ze zijn vooral handig wanneer de relaties in je data niet rechtlijnig zijn — wanneer een simpele rechte lijn door je datapunten geen goede voorspellingen geeft.

De techniek is inmiddels wat ouder (de meeste moderne deep learning-modellen gebruiken andere benaderingen), maar RBF's blijven relevant voor specifieke toepassingen waar je precies wilt controleren hoe het model reageert op afstand tussen datapunten. Ze zijn ook relatief snel te trainen vergeleken met diepe neurale netwerken.

Als je aan de slag gaat met Support Vector Machines of klassieke machine learning-bibliotheken zoals scikit-learn (Python), dan kom je RBF's vanzelf tegen als optie. Het is goed om te begrijpen dat ze werken op basis van dat simpele dartbord-principe: hoe dichter bij het centrum, hoe sterker de invloed.