本文介绍了核函数在解决线性不可分问题中的作用，解释了超平面、内积与分类的关系，并探讨了常用的核函数如线性、高斯和多项式核函数。核函数避免了高维映射的计算复杂性，通过内积转换实现低维到高维的间接映射。高斯核函数尤其能映射到任意维度，简化了计算过程。
目录
多项式回归解决线性不可分问题
对于分类，有些时候线性不可分，需要多项式回归结合逻辑回归得到想要的结果。
图1 线性不可分
多项式回归就是将低维数据映射到高维数据的过程，通过添加高阶项来完成。
为什么增加了高阶多项式之后，这样的分类问题就能够解决呢？
我们来举一个简单的例子，例如我们的数据是一维的：
我们没有办法使用一根直线将数据区分开来，因为不管怎么分，都会出现错误分类的情况：
如果原来的数据是 x ，我们给它增加一个维度 x2，从一维变成二维，数据就变成了这样：
我们可以用 y = x 这么一条直线将两者区分开来，这里设置 x2 为 y 轴。
回到一维中，其实就是这样的一条曲线 x2 - x = 0：
机器学习笔记029 | 核函数 - 知乎 (zhihu.com)
https://zhuanlan.zhihu.com/p/30009055
为什么要引入核函数
在讨论这个问题之前，我们需要知道我们在对数据进行什么操作。我们的目标是通过低维向高维的转变，从而找到一个线性可分的解决方案来分类。
因此，首先我们需要把样本从低维空间转换为高维空间（或者说将样本返回到特征空间），这由映射来完成。也就是说需要一个转换函数
最低0.47元/天 解锁文章
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
