machine-learning - 将来自一般集合 S 的观察显式映射到内积空间

Question

我正在学习SVM 的“Kenel Tricks”。当我搜索时，我必须阅读Wiki中的段落如下：

“对于机器学习算法，内核技巧是一种映射观察的方式
从一般集合 S 到内积空间 V（配备其自然范数），
无需显式计算映射，希望
观测值将在 V 中获得有意义的线性结构"

我的问题是：

1. “显式计算映射”是什么意思？
   

任何人都可以用一些实时示例来定义它或给我一些参考网站。所以这将有助于理解内核。

Answer 1

答案就在同一篇文章中：

避免显式映射的技巧是使用只需要 V 中向量之间的点积的学习算法，并选择映射，以便可以通过核函数在原始空间内计算这些高维点积。

这意味着可以避免计算 [多维] 内核空间中数据点的图像，而只计算这些图像的成对点积，这通常会更便宜。这里有一个例子，几乎所有关于 SVM 的书中都有。