为什么Reproduce Kernel Hilbert Space (RKHS) 最近成为机器学习中如此重要的概念？是因为它允许我们表示线性函数组合的函数吗？
在理解 RKHS 之前需要涵盖哪些数学领域？
RKHS（再现内核希尔伯特空间）背后的直觉？
机器算法验证
机器学习
内核技巧
直觉
数理统计
2022-03-28 04:15:41
1个回答
顾名思义，复现核希尔伯特空间就是希尔伯特空间，所以一些希尔伯特空间/泛函分析的知识就派上用场了……不过你不妨从RKHS入手，然后看看你不明白的地方，还有你不明白的地方需要阅读以涵盖这一点。
希尔伯特空间的常见例子，, 有一个问题，即成员不是函数，而是函数的等价类，除了在 (Lebesgue) 测量为零的集合上重合。这样，它们在集成时总是给出相同的结果......这就是可以使用空格。的成员无法真正评估空格，因为您可以在不更改积分值的情况下更改某一点的值。
因此，在您真正想要可以在各个点评估函数的应用程序中（例如在近似理论、回归等中），RKHS 会派上用场，因为定义属性等同于评估函数的要求
是连续的 对于每个. 所以你可以评估成员函数，并替换 与其他一些功能，说（在某种意义上......）只会稍微改变值。这就是你要求的直觉。
其它你可能感兴趣的问题