机器学习中的核函数与核方法（是什么？为什么？怎么做？）CSDN博客
上文中，二维空间用椭圆分类。用x和y再造/算出个z，就升维了，可以用平面来分隔了。
还有人说(大意)“核函数化复杂为简单，化不可能为可能”。
能不能这么理解：
椭圆有方程，可以用不多的几个数来描述。遇到更复杂的例子，小孩子也可以在二维空间里画条歪歪扭扭的曲线出来，完美地分隔那些点。可是曲线的方程怎么写？怎么定义和计算点到曲线的距离？所以核方法的本质是不是"便于用电脑编程实现"？:-) 找到歪歪扭扭的例子了：机器学习笔记029 | 核函数 - 知乎
模式识别中从Kernel方法的本质来看，是否真的有效？ - 知乎
直线的方程是y=kx + b，或者更通用的Ax + By + C = 0，如A=k, B=-1, C=b。三维空间里直线升级为平面，点到平面的距离好像也有公式。超平面指的是>=4维里像3维里的平面的东西？ 怎么证明点到超平面的距离公式，还有两个高维向量之间夹角的公式？是严格证明，还是三维如此，高维想必类似？
标签：Kernel,知乎,维里,超平面,平面,点到,方法 来源： https://www.cnblogs.com/funwithwords/p/15873571.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。