Kernel函數

在我們離開決策樹之後，我們要進到SVM了！SVM的中文全名叫做支援向量機！
我們在兩組資料間，可以找到一條分界來對資料進行分界，而SVM利用了Kernel函數來找到這條線(平面)！
(詳細的算式推倒這裡沒有ˊˇˋ，這裡只是簡單介紹一下他們是啥？在幹什麼？)

在一般的分類問題中，我們在一組資料裡，如果向上圖這樣可以被分成兩類，我們都可以找到一條"最適合"的分界線來
界線他們！
而找到這條線其實不難，我們在之前的文章其實也有提過一些找到這條界線的方法，那麼Kernel函數到底在這種找界線的問題起到了甚麼作用呢？我們可以看到上圖，在決策線與資料的距離我們稱之為"決策邊界"，我們都知道我們不可能蒐集到"大量"到可以直接回歸出不會出錯的模型，這代表我們的模型都會出錯，更直觀的說，我們找到的這條決策界線
其實沒有完全把資料分成兩邊，就算在測試資料看起來已經完美地把資料界線了，不過實際在預測時我們就會發現其實沒有，那麼既然無法蒐集到可以回歸出"現實世界真理"(噗)的資料量，那麼我們能做的就是降低錯誤率。
將低錯誤率其實也不難，我們剛剛提到決策界線到資料的距離稱為決策邊界！我們如果要嘗試降低錯誤率，
試著擴大決策邊界，會使我們的模型在預測新的資料時有更好的支持！而放大這個決策邊界的方法我們以"Kernel函數"
為基礎，創建出了SVM！

SVM的作法很簡單！我們透過Kernel函數，把二維的資料映射到三維資料！這麼一來，我們只要找到一個間單的平面就可
以把兩組資料分開！而我們剛剛所謂的"決策邊界"也會得到優化！這就是Kernel函數和SVM運作的方法。