上一节最后我们说到我们根据求得的，可求得，，然后求出决策函数，但是我们知道：

是的函数，我们也许不必把带入上式来求解，我们直接把上式带入决策函数可有：

假如我们已经求得最优的，在作出预测的时候，我们可以只进行输入数据x与训练样本的内积即可。在转化为对偶条件的时候，我们知道要满足KKT条件，KKT条件中有一个是：

其中：

由此可以知道，若，则有函数间隔必然等于1，也就是说，只有支持向量满足，而不是支持向量的样本点，必然有。故而在计算下式的时候，我们只需考虑支持向量，而是支持向量的样本点有很少，所以这样会降低计算复杂度。这种形式也为引入核函数做出铺垫。

Kernels

我们上次最后说明了，如果遇到线性不可分的情况，根据现有的分类函数，可能解决不了，比如，下图（来源：知乎）

上图中的红点服从，蓝点服从，很明显红蓝点是不可分的，但是通过映射,将其映射到三维空间后，便有：

映射到三维空间之后，红蓝点变得线性可分了。核函数作用其实就是通过一个映射，把低维线性不可分的样本点，映射到高维中，使之变得线性可分。

吴恩达老师说，“原始”的输入我们称之为问题的属性，当“原始”输入经过映射得到一个新的集合，而这个集合传递给学习算法，这样的一个新的集合称之为特征。SVM的输入就是特征而不是原始的输入属性。当低维线性不可分 的时候，我们把输入属性，映射到一个高维特征空间，并把映射后的特征作为新的输入，而新的决策函数，只是把原来的内积运算<x,z>简单替换为即可。而接下我们探讨这个核函数。

核函数定义为：

其中的为映射函数。

凭直觉来看，要求出，我们需要求出，然而要求代价是很大的，因为很难求得，另外当高维的维数很大的时候（这是很有可能的），我们的计算量也是很大的，这让我们很难承受，那么我们可不可以把的值在低维求出呢？

我们先看一个例子：

我们可以把上式写成如下的形式：

假如当N=3时，那么就是如下形式：

对于这个例子，我们在高维中计算的时间复杂度为，而在输入属性中计算，只需的时间，这样给了我们启发，对于高维中的内积，我们在低维中就可以解决。

对于kernel,我们有多项式kernel，Gaussian kernel等等，那么给定一个函数K，我们怎么知道他是不是有效的呢？也就是说对于所有的x,z是否存在一个映射，使得成立？

假如K是有效的，那么有，因此K一定是对称的。另外我们令表示向量的第k个坐标，对于任意向量z有：

这就说明了如果K是有效的，那么其对应的核矩阵就是半正定的。这是一个充分必要条件，也是Mercer定理。好了到此我们也说明了什么是核函数。下一节我们将继续上一节的话题，怎么样求解对偶问题的解。请看：

支持向量机(SVM)（四）----SMO