首先我们来看几个常见的内核函数。 明确地说,核函数的目标是解决从低维空间映射到高维空间后的内积运算问题,即基于现有的低维空间向量,可以更容易地计算映射到高维空间后的内积。
既然有这个性质,各核函数就必然要对应从低维到高维的映射函数。 换言之,如果能找到从低维映射到ymdyc的坐标内积与用核心函数计算出的值相同的映射的话,那么现在找到的核心函数才有意义。
例如,线性核:假设v1是二维向量,则相应的映射表示向量内积,可以导出:
此外,也许有人会想,为什么通过从低维映射到高维,可以将原始数据从非线性转换为线性,并且得到的区分是合理的呢? 原因是从低维映射到ymdyc的各点,与各自的原点一一对应。 而且,满足另一个条件的是,低维空间中距离近的两点,即使在高维空间中也还很近。 所谓接近,对于剩下的点,只要满足这两个条件,从低维映射到高维就有意义。 这就是为什么有些核函数在应用于某些数据时无效的原因