明确地将观察从一般集合S映射到内部产品空间

Question

我正在为SVM学习“Kenel Tricks”。当我在搜索时，我必须阅读Wiki中的段落，如下所示：

 "For machine learning algorithms, the kernel trick is a way of mapping observations 
from a general set S into an inner product space V (equipped with its natural norm), 
without ever having to compute the mapping explicitly, in the hope that the 
observations will gain meaningful linear structure in V"

以上段落的问题是：

1. “明确计算映射”是什么意思？
   

任何人都可以用一些实时的例子来定义它，或者给我一些参考网站。所以它有助于理解内核。

Answer 1

答案就在同一篇文章中：

  

避免显式映射的技巧是使用学习算法   只需要V中矢量之间的点积，然后选择   这些高维点积可以是映射   通过核函数在原始空间内计算。

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，这通常会变得更便宜。有一个例子here，以及关于SVM的几乎每本的书。