表示定理（representer theorem）

表示定理是  统计学习 中的一则定理，用于表明再生核 Hilbert 空间上  正则化 风险函数的最小值，可表示为在核函数的线性组合。

实际应用举例

在 L2 正则化问题上：

表示定理是指任意一个 L2 正则化的问题，其最佳 w* 都可以用 βn 与 Zn 线性组合得到。

表示定理的意义

• 简化了正则化的  经验风险 最小化问题；
• 将无限维最小化问题降低至搜索最优系数的三维向量，然后可以通过标准函数最小化  算法 求解；
• 为一般机器学习问题推广到可实现算法提供理论基础。