点积的形式，就一定能写成核函数么？

有些问题，如果不把它清晰的表述出来，就会一直有那种让人觉得不懂感到很难受的感觉。所以就像给自己写日记一样，想把思考过程中让自己感到费解的一些点，抠出来，放大，解决它！

两个样本点积的形式，就一定能写成核函数么？

在机器学习中，我们要用到内积运算。而在映射后的高维空间中，内积往往是很不好求解的。所以，我们能不能找到在低维空间中的某个运算，恰好等于高维空间中的内积运算呢？

是不是理解成，即便我们没有将自己的数据向高维去映射，但只对于我们维度很高的数据，为了简化其运算，也可以将其写成内积的形式。

换句话说，核函数就是低维空间中的内积的某个函数。

当我们对新的样本点进行数据分类的时候，我们可以通过判断这个样本向量和我们求得的分割超平面的法向量w的内积来计算，二者的夹角若是小于90度，说明分类正确，夹角若是大于90度，说明分类错误。

而之前我们是怎样判断一个样本分类正确与否的呢？我们是先初始化一个分割超平面，然后分别把我们的样本点带入到超平面的方程，结果值大于0的分为一类，小于零的分为一类，

之前是，给定训练数据，找一条直线去拟合这些数据，一个样本数据有$x_1,x_2,...x_n$，n个特征，我们给每个特征分别赋以n个权重$w_1,w_2,...w_n$,有了权重和特征的线性组合$f(x)=w_1{x}_1+w_2{x}_2+...+w_n{x}_n$，这样我们就可以对新的数据进心预测。