kernel method是針對低維線性不可分而提出的一種解決方法，在PRML中有一章節的介紹，對其理解，也是迭代更進的過程。

簡單來說，kernel method是一種低維和高維特征空間映射的方法，利用低維內積的函數來表征高維內積，即高維的內積用低維內積的函數來表示，這個低維內積的函數就是kernel function。

1、首先，說明kernel method的示例？

1）問題提出：

將二維線性不可分映射到三維，就可以實現超平面的線性可分。

2）如何映射呢？

利用原空間中的已知信息來計算新空間中的內積，新空間是高維，直接計算內積運算量大，而通過原空間低維的內積函數運算則可避免這一問題，同時又能起到高維線性可分下的內積效果。

3）內積是一種相似性度量（正交的，內積為零），如此，可定義內積函數為：

通過核函數，可實現：

2、其次，我們說怎么樣的內積函數符合核函數要求？

Mercer定理，任何半正定的函數都可以作為核函數。

其論證過程，包括內積矩陣，待進一步學習。

3、目前核函數有哪些？

徑向基和高斯核是比較常用的，至于高斯核可以映射到無限維這個推理也有待進一步看相關資料。

4、關于DL和Kernel的思考

DL在高維、非線性上是很好的模型，而kernel漸漸被冷落，其原因是否還在于kernel核函數的普適性以及高維計算的問題，這個困惑有待進一步求索。

圖片參考：https://blog.csdn.net/baimafujinji/article/details/79372911

?

總結

以上是生活随笔為你收集整理的Kernel Method的理解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。