打开搜索引擎搜索核函数，都会发现 SVM 会一起出现。但是核函数是一种技巧，并不只限于 SVM。其实，核技巧是一个非常纯粹的数学方法，不应该一上来就扯上 SVM，也没必要。因为这个技巧不仅应用在SVM中，它解决了数据映射到高维空间之后点积的计算量过于复杂的问题。很多人啰啰嗦嗦说了一大堆，把原本很简单的东西搞的很复杂，甚至还在推 SVM 的公式，就像孔乙己问茴香豆的『茴』有几种写法一样的没意思。

问题描述

支持向量机为了解决数据在低维度不容易线性分割的情况下，会通过某非线性变换 $ϕ (x)$ ，将输入空间映射到高维特征空间。但是映射的维度会很高，为了降低计算复杂度，解决映射后可能产生的维度爆炸问题，我们在求解的时候引入了核技巧。所以，核技巧的应用场景不限于 SVM，而是：需要处理高维映射计算的问题。

给定两个向量 $x$ 和 $y$ ，我们的目标是要计算他们的内积 $⟨ x, y ⟩$ 。如果原始空间内不可分，那么现在通过某种非线性变换把他们映射到某一个高维空间中去，那么映射后的向量就变成 $ϕ (x)$ 和 $ϕ (y)$ ，映射后的内积就变成 $⟨ ϕ (x), ϕ (y) ⟩$ 。现在改如何计算映射后的内积呢？

传统方法是先计算映射后的向量 $ϕ (x)$ 和 $ϕ (y)$ ，然后再计算它俩的内积。但是这样做计算很复杂，因为映射到高维空间后的数据维度很高。一旦达到一万多维计算起来简直浪费时间。

于是，能不能在原始空间找到一个函数 $K (x, y)$ 使得 $K (x, y) = ⟨ ϕ (x), ϕ (y) ⟩$ 呢？如果这个函数存在，那么我们只需要在低维空间里计算函数的值即可，而不需要先把数据映射到高维空间，再通过复杂的计算求解映射后的内积了。

庆幸的是，这样的函数是存在的。这样一来计算的复杂度就大大降低了，这种简化计算的方法被称为核技巧（The Kernel Trick），而函数 $K (x, y)$ 就是核函数（Kernel Function）。这里我们选用高斯核函数，可以将原始维度映射到无穷维。

$\begin{matrix} (1) & K (x, y) = \exp (- \frac{| | x - y | |^{2}}{2 σ^{2}}) \end{matrix}$

这种东西最好是去看官方文档，有人把高斯核函数中的范数写成了 $| x - y |^{2}$ ，第三方博客一点都不注重细节，我半天没看懂还以为取绝对值，艹。

代码实现

import math
import numpy as np

def mapping(x, y, sigma=1):
    return math.exp(-np.linalg.norm((x-y), ord = 2) / 2 / sigma ** 2)

x_1 = np.random.random_sample((10, 1))
x_2 = np.random.random_sample((10, 1))

a = mapping(x_1, x_2)

print(a)

结语

核函数是个好东西，之前还写过用核函数去聚类的文章，欢迎观看：https://muyuuuu.github.io/2020/03/30/KDE-cluster/

参考

核技巧：http://www.fanyeong.com/2017/11/13/the-kernel-trick/
核函数：https://en.wikipedia.org/wiki/Radial_basis_function_kernel
numpy求范数：http://liao.cpython.org/numpy11/