首先可以先看一下几个常见的核函数，明确一点，核函数的目标是为了更加简便的计算从低维空间映射到高维空间后内积的运算问题，也就是基于现有的低维空间向量，能够计算出映射到高维空间后的内积。
既然有这个性质，那么每一个核函数必然要对应一个从低维到高维的映射函数，换句话来说，只有能找到一个映射，使得从低维映射到高维后的坐标内积能够与核函数计算出的值相同，那么当前所找出的核函数才是有意义的。
例如，线性核：
，假定v1是二维向量，对应的映射为
，< >代表的是向量内积，可以做如下的推演，可知当前的线性核是有意义的：
除此之外，可能会有一个思考，为什么从低维映射到高维能够将原始数据从非线性转为线性，并且得到的划分是合理的呢？原因在于，从低维映射到高维后的每一个点，它们与各自原有的点一一对应，并且还满足一个条件就是，在低维空间下距离相近的两个点，在高维空间下仍然相近，注意相近指的是相对于其余的点，只有满足这两个条件，从低维映射到高维去做划分才有意义，这也就是为什么有的核函数应用到某一些数据的时候效果不好的原因，原因就是那一部分数据映射之后在高维空间下的距离和低维空间下的距离存在出入，不一致
扫一扫
441
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
