在机器学习中，kernel，也叫核函数，主要用于描述数据点之间的关系。具体而言，它是一个在原始特征空间中定义的函数，能够测量两个数据点之间的相似度或者距离。核函数的主要用途是把数据从低维的原始空间投影到一个高维空间，使得数据在高维空间中变得线性可分。
kernel的概念
在机器学习中，kernel，也叫核函数，主要用于描述数据点之间的关系。具体而言，它是一个在原始特征空间中定义的函数，能够测量两个数据点之间的相似度或者距离。
kernel的用途
核函数的主要用途是把数据从低维的原始空间投影到一个高维空间，使得数据在高维空间中变得线性可分，这样线性分类器如SVM就能应用于非线性分类问题。
为什么选择kernel
直接在高维空间中进行计算会非常的消耗资源，而kernel的作用就是提供了一种机制，允许我们在原始空间中直接计算点积，而不是在映射到高维空间后计算，大大降低了计算的复杂性。
延伸阅读：
常见的核函数类型
市面上常用的核函数包括：线性核、多项式核、径向基函数核（RBF或高斯核）和Sigmoid核等。在实际应用中选择哪一种核函数，往往取决于数据的分布和任务的特性。
文章标题：机器学习里的kernel是指什么，发布者：Flawy，转载请注明出处：https://worktile.com/kb/p/61549
微信扫一扫 
支付宝扫一扫 
