學習模型按照參數與維度還是樣本相關，可分為參數模型（參數與維度相關）和核模型（參數與樣本相關）。

對于核模型的核方法或核函數說明有如下博文，參考《圖解機器學習》理解如下兩頁。

https://blog.csdn.net/fjssharpsword/article/details/81661602

https://blog.csdn.net/fjssharpsword/article/details/79092082

?這個理解包括兩方面：

1）非線性SVM中核函數的作用，起到高維線性可分同時又在低維進行計算，避免高維運算；

2）SVM和神經網絡的比較，神經網絡參數學的更多，模型更復雜，計算更大。

還有一些理解的不是很透徹，如高斯核模型中，只在輸入樣本附近對函數近似。按照參數模型中的加法乘法兩種思路拓展多維，可以很好理解高維和低維的關系，以及模型復雜度、參數多寡、計算量大小、擬合度等等。

總結

以上是生活随笔為你收集整理的【IM】关于参数模型和核模型的理解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。