本文其实是为了讲核函数，由于核函数比较抽象，就从 余弦相似、内积 开始讲起，因为 核函数、内积、余弦相似 本质上都是一种相似性度量 的方式

内积 与 余弦相似度

内积

存在两个向量

a，b 内积为

余弦相似度

a·b = |a||b|cos(a, b)　　　　　　

cos(a, b) = (a·b) / (|a||b|)

二者关系

1. 从上面公式可以看出，余弦相似性 其实是 内积的 归一化

2. 余弦相似性只考虑 向量夹角大小，而内积不仅考虑向量夹角大小，也考虑了向量的长度差

比如两个向量 A 和 B，A=(1,1,0) B=(0, 1, 1)，AB余弦相似度为 1/(sqrt(2) * sqrt(2)) = 1/2，
余弦相似度不考虑向量长度，(1,1,0) 和 (0, 3, 3) 的相似度 等于 AB的相似度

但是，如果入股向量的长度对相似性有真实影响，那么 A(1, 1) B(4, 4) C(5, 5) 三个向量，相似度相同，但 BC 内积 大于 AB 内积，故 BC 更相似

核函数

官方定义

设 X 是输入空间(欧式空间或者离散集合)，H 是特征空间(希尔伯特空间)，

存在一个从 X 到 H 的映射 φ(X): X→H，

使得对所有的 x、y€X，均有 k(x, y) = φ(x) · φ(y)，

则称 k(x, y) 为核函数

实例解释

假设 ，构造一个映射 ，则可知

因此通过映射  将点  从二维平面升维到三维空间。然后计算

上述运算是在映射后的高维空间下做内积，

那么是否能直接在原始的空间中进行相应的运算，使得低维情况下的运算结果等于高维情况下的运算结果呢？

答案是肯定的。可以通过核函数  来实现

是不是很神奇，低维空间和高维空间居然通过核函数巧妙的联通起来了

优点

1. 避免了维度灾难，也就是说高维空间中的运算计算量很大呈指数级别复杂度，难以解决；低维空间中的运算计算量很小，但是两者的最终结果是一致的。

例如上述计算过程，高维空间中执行了11次乘法运算、2次根号运算和2次加法运算，低维空间中仅执行了3次乘法运算和1次加法运算，要知道这才二维空间映射到三维空间如果映射到  维空间呢？

2. 核函数使得我们不需要显式计算每一个 φ(x)，甚至不需要知道 φ(·) 长什么样，就能直接求出 φ(x)^Tφ(y)

常用核函数

未完待续…

参考资料：

https://www.cnblogs.com/lzhu/p/10405091.html　　内积

https://blog.csdn.net/kyle1314608/article/details/104582467   内积与余弦相似关系

https://www.zhihu.com/question/24627666　　知乎 – 核函数的定义和作用是什么？

https://zhuanlan.zhihu.com/p/47541349　　核函数粗浅的理解

https://zhuanlan.zhihu.com/p/30445271　　专家坐堂：机器学习中对核函数的理解