此刻我正在研究LSSVM算法，在到目前为止我读过的大多数论文中都发现一个细微差别非常奇怪。
通常将输入/所需输出描述为一组{Xi，Yi}，其中i = 1 .. N，即N是点数。
然后，在某个阶段，LSSVM的回归函数以N个核的总和形式出现（取决于 alpha 系数和添加的自由成员 b ；我是不确定我们可以在这里输入公式，抱歉）。
第一个问题是：为什么将其称为回归？由于我们有N个内核，它们等于N个点，因此我们只需求解SLE即可准确找到系数。如果核数少于N，则确实可以得到最小二乘回归，正如该方法的名称所暗示的那样。
这里出现了第二个问题：为什么LSSVM不使用少于或什至远远少于N个数据点的内核数量？用数千个变量来求解SLE可能会浪费一些资源和时间。此外，对于N个数据点具有N个内核，则假设所获得的模型将显示较差的泛化能力。
我认为限制内核数量并执行N点到M个内核的真实回归（M << N）是正确的方法。不幸的是，我在现有文章中找不到。可能是我错了，错过了一些东西。