于是就要说到我们本日要谈的话题：支持向量机学习。这套学习方法的紧张目的便是把数据区分成两类。直不雅观一点的二维数据，在坐标系中便是用一条直线把它分割出来，三维数据的话便是一个平面来分割，以此类推，多维数据便是一个超平面来区分。但每每会涌现一种情形。在特定维度的情形下，一条平面是区分不出来的，这个时候该怎么办？
科学家找到了一个不得了的方法：核向量！
而这个神通广大的核向量便是把当前维度推广到高维度来办理区分类问题。咱们常常听说降维打击，而这里却是升维打击。由于在高维情形下数据隐蔽的特色才能展现出来，从而帮助区分。比如说我们用手玩投影，在墙上投影出的兔子和老鹰。
在此我们不妨大胆设想一下，我们当前所办理不了的各种科学上难题，是不是有很多在高维情形下是显而易见的？可能正是由于高维空间投影的关系，只能看到这个事物的个中一个方面，而无法看到它的全貌。
咱们再说回核向量，核向量探求和选择的方法现在还是业界难题。或许是由于我们不知道他的高维是如何投影，比如说投影光源是在哪里？以是我们只能去预测核向量的选择。
大概在不久的将来我们能办理这个问题，同时也能办理：我们是否身处于高维空间，并处在一个什么样的高维空间的问题。