计算机视觉工程师在面试过程中主要考察三个内容：图像处理、机器学习、深度学习。然而，各类资料纷繁复杂，或是简单的知识点罗列，或是有着详细数学推导令人望而生畏的大部头。为了督促自己学习，也为了方便后人，决心将常考必会的知识点以通俗易懂的方式设立专栏进行讲解，努力做到长期更新。此专栏不求甚解，只追求应付一般面试。希望该专栏羽翼渐丰之日，可以为大家免去寻找资料的劳累。每篇介绍一个知识点，没有先后顺序。想了解什么知识点可以私信或者评论，如果重要而且恰巧我也能学会，会尽快更新。最后，每一个知识点我会参考很多资料。考虑到简洁性，就不引用了。如有冒犯之处，联系我进行删除或者补加引用。在此先提前致歉了！
由来
两个角度
1.将非线性问题转换为线性问题
左图需要用非线性的曲线分类
并不是说这样不行
只是有些问题要求必须线性分类
比如，SVM就需要超平面分类（超平面就是线性的）
将特征空间提高维度
就可以用线性的平面进行分类
2.低维特征空间表征能力不够
有时候不需要一定转换为线性问题
但是，低维空间的表征能力较弱
将特征提升维度，可以提升模型的表达能力
抽象例子：
用几条腿，是否下蛋对动物进行分类，两维特征
用几条腿，是否下蛋，几条腿乘是否下蛋对动物分类，三维特征
我无法说清楚几条腿乘是否下蛋是个什么特征，这也是高维特征的一个体现吧
后者对特征进行了简单的组合，增加了一个特征维度，增强了模型的表达能力
具体例子：
我们在K-Means中需要计算点和质心的距离
以欧式距离为例
d=(x1-x2)^2+(y1-y2)^2
x和y代表两个维度的特征
以上方法相当于将每个维度的特征独立了
换个做法
（x1y1-x2y2）^2+x1y2（随便编的式子）
将特征融合，就增加了维度，提升了表征能力
原理
我们通过Φ()函数实现特征从低维到高维的映射
但是这并不是核函数！
比如现在有两维的特征，x,y
我们使用Φ()进行映射，组成了三维特征，x,y,xy
对于A样本，特征为Φ(xa,ya)=xa+ya+xa*ya(式子编的，可能是它们的任意组合)
对于B样本，特征为Φ(xb,yb)=xb+yb+xb*yb
在一些求解过程中，我们经常要计算<Φ(A)，Φ(B)>
点积：<(x1,x2,x3),(x4,x5,x6)>=x1x4+x2x5+x3x6
那么核函数的作用就是
K((xa,ya),(xb,yb))=<Φ(xa,ya)，Φ(xb,yb)>
所以说，核函数和映射没有关系，它只是一个计算工具
进一步思考
如果有了核函数
我们就不需要计算Φ(xa,ya)，Φ(xb,yb)
再进一步
我们甚至不需要知道Φ()是什么
我们只需要指定一个K()
只要K()满足核函数的数学要求，它就间接实现了映射的功能
那么我们为什么不跳过Φ()而直接使用核函数K()呢？
这就是核函数的原理和意义
常用核函数
其中v1和v2是两个样本对应的特征
至于用哪个核函数？
除非是被做烂了的模型
否则慢慢试吧
这是世界性难题
当然存在规律，但是我的能力达不到了。。。
完
欢迎讨论 欢迎吐槽