机器学习十讲——第八讲维度灾难
那么，什么是维度灾难呢？
从上图的图二看出，高维空间中，大部分体积分布在球体表面，从图一也能看出，剥离出0.1个单位的长度后，纬度越高，体积占比越小；
在高维空间中，“距离”可能失效，尤其表现在欧式距离，所以在高纬时，传统的机器学习可能失去作
这些模型，纬度一高就会受到影响，都有维度灾难问题。
例子：
关于如何应对维度灾难：
当有些问题不能解决时，可以尽量避免
还有一种方法：核技巧
高维空间里样本点距离都很稀疏，所以相对来说更容易分开，例如下图的右边的两个图：
这可以让我们利用高纬的好处的同时使用低纬的计算量，那么 如何判断机器学习模型是否存在维度灾难呢？
要估计模型的泛化误差和经验误差
n是样本数量，m是函数空间的纬度，f可以看成一个系数。
三个例子：
最后就是每日实验咯。