我還是自己寫一下我的理解吧，
對於高斯核為什麼可以將資料對映到無窮多維，我們可以從泰勒展開式的角度來解釋，
核函式的本質
上面說了這麼一大堆，讀者可能還是沒明白核函式到底是個什麼東西？我再簡要概括下，即以下三點：
實際中，我們會經常遇到線性不可分的樣例，此時，我們的常用做法是把樣例特徵對映到高維空間中去(如上文2.2節最開始的那幅圖所示，對映到高維空間後，相關特徵便被分開了，也就達到了分類的目的)；
但進一步，如果凡是遇到線性不可分的樣例，一律對映到高維空間，那麼這個維度大小是會高到可怕的(如上文中19維乃至無窮維的例子)。那咋辦呢？
此時，核函式就隆重登場了，核函式的價值在於它雖然也是將特徵進行從低維到高維的轉換，但核函式絕就絕在它事先在低維上進行計算，而將實質上的分類效果表現在了高維上，也就如上文所說的避免了直接在高維空間中的複雜計算。
SVM為什麼需要核函式
生存？還是毀滅？哈姆雷特 可分？還是不可分？支援向量機 之前一直在討論的線性分類器,器如其名 汗，這是什麼說法啊 只能對線性可分的樣本做處理。如果提供的樣本線性不可分，結果很簡單，線性分類器的求解程式會無限迴圈，永遠也解不出來。這必然使得它的適用範圍大大縮小，而它的很多優點我們實在不原意放棄，怎麼辦...
機器學習 SVM（核函式 高斯核函式RBF）
1 格式 2 多項式核函式 對傳入的樣本資料點新增多項式項 新的樣本資料點進行點乘，返回點乘結果 一維特徵的樣本，兩種型別，分布如圖，線性不可分 為樣本新增乙個特徵 x2 使得樣本在二維平面內分布，此時樣本在 x 軸公升的分布位置不變 如圖，可以線性可分 3 優點 特點 一般將原始樣本變形，通常是將...
SVM演算法及高斯核函式 漢語版
svm 1.介紹 支援向量機svm是一種有監督的機器學習演算法，是乙個非常經典且高效的分類模型。它的基本模型是定義在特徵空間上的間隔最大的線性分類器，間隔最大使它有別於感知機 svm還包括核技巧，這使它成為實質上的非線性分類器。svm的的學習策略就是間隔最大化，可形式化為乙個求解凸二次規劃的題，也等...