Kernel方法
作者：互联网
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