有关核函数的作用(机器学习)

阅读了一些有关和函数的使用和作用的相关问题，到多数对于和核函数的使用和作用有着不同的认识，大概可以分为两种认识：

1  和函数可以将特征空间映射到n+1 的空间实现线性可分（或者曲线可分）【svm】。也就是说和函数的作用是将低维度特征空间映射到高维空间中。

2 有关和函数的应用问题，在推到的过程中，会发现和函数可以将成对的点以点积的形式在n维空间中实现简便计算（也就是说核函数的引用在数学理论上是为了计算的简单性），甚至在无穷维的特征空间中，也能够做到简便计算。

我认为，核函数的作用是为了简化点积的计算。降低时间复杂度。（数学推理）。从机器学习的角度来讲，将n维特征空间在n+1空间线性可分是属于机器学习离散数据实现线性可分的理论思考方向。举个例子，不同地点的你一直在一个空间维度内。唯一可以对不同地点的你进行区分需要加上时间维度。上一个时刻你在北京，那么下一个时刻你在纽约。这就是机器学习中，样本学习的基本原理，有效的离散数据特征维度越高，越能区分。

总结：

核函数的定义有很多，特征空间映射到高维不是核函数的基本功能，有些初学者对这两个问题的基本概念没有做一个清晰的认识。认识核函数就是将数据映射到高维空间进行线性可分。这是错误的想法，线性可分和数据映射到高维是机器学习的基本原理或思想。引用核函数是为了在n维甚至无穷维度的空间实现高效计算。本质上是一个数学工具。解决的是高维空间时间复杂度的问题。那么如何将低位数据映射到高维特征空间，需要我们去构造核函数以及相关的参数，使之能与解决的问题相匹配，得到高效，准确的结论。