1、主要内容
上一讲中使用对偶形式的支持向量机将原始的与数据的维度d有关逐步转化到了只有数据输入规模N有关，但是在最后计算对偶形式的Q矩阵时依然还是使用到了数据的维度d，因此还不算时真正的解决了这个问题。
那么有什么方法？
2、对偶形式的不足
上节课中将d转换成与d无关只是做了一半，还没有真正的把d消除：
在计算Q矩阵时，由于Zn，Zm的存在，依然是和维度d有关系，此处就是解决该问题的瓶颈。
如何解决该瓶颈，找到一个更好的计算方法？
注意到Zn和Zm由一下变换得到：
先对原始的x做转换然后再内积，那么转换过程对于d维的数据必然需要O(d)的时间，然后做内积也需要O(d)的时间，因此能不能找到一种种方法简化这个过程？
以2次转换为例：
转换后包括原有的1次项和2次项，那么计算
最后得到：
观察上式，最后一项都可以进行整理i和j相关项放到一起：
最后可以得到：
这样的话，先计算出来内积，然后使用这个内积在常数时间内就可以完成转化，那么在这个例子中比原来计算要快。
一如kernel核函数的概念：
kernel核函数集成了内积然后使用内积进行数据的特征变换，达到快速计算的目的，就包括了特征转化和内积这两个步骤；
3、kernel核函数的使用
使用核函数替换Z变换的内积；
4、多项式kernel核函数
上面讲了一个二次多项式的kernel核函数：
那么对这个kernel 核函数进行加上常数进行放缩，如果转换函数每个一次项都乘上一个√2的话，那么kernel核函数变成：
同理：
综上可以知道：
上面两种不同的2次kernel对与SVM来说：
就特征转换的结果是相同的，只是放缩了特征值；
但是在计算最终的内积不同就表示向量的距离不一样，因此会影响到SVM最后的结果；
因此改变核函数也就改变了支持向量得到的最终的模型也不相同；因此需要对kernel进行选择达到最好的效果。再次基础上可以进行一般化就是可以进行推广：
通过多项式的kernel可以高效的进行特征的高次转换而不用考虑数据特征的维度的影响，使用不同的γ和ς来表示不同的多项式kernel核函数：
使用核函数的SVM就被称为多项式SVM：
对一般化进行特殊化得到linear kernel：
5、高斯核函数
多项式kernel可以将有限维的特征转换进行简化，那么在无限维时怎么办？可以引入高斯核函数；
高斯核函数的SVM就是以支持向量为中心的高斯函数的线性组合。
6、不同的kernel的好坏
(1) 线性kernel
好处：
简单，优先尝试，只有结果不好时才尝试其他的kernel
不涉及到复杂的特征转换，可以使用专用的QP解决算法解决
得出的结果容易解释，容易看出不同的支持向量根据其权重对模型的贡献
坏处：
只有数据在线性可分时才可以使用，但是数据不总是线性可分的；
总之。linear kernel值得优先尝试，其他的可以在此基础上进行修改。
(2) 多项式kernel核函数
好处：
linear 不行时可以使用多项式，比linear的限制少点
可以认为控制转换的次数Q
坏处：
当Q比较大时计算也很困难；
参数选择比较困难，有三个参数可以选择：
总之，如果使用Q需要小点；
(3) 高斯核函数
好处：
坏处：
最常用的核函数：
7、其他的kernel
kernel成立的条件：
1、对称
2、矩阵K是一个半正定的；
8、总结
