许多分类器（其中包括线性支持向量机（SVM））只能解决线性可分离的问题，即，可以通过超平面将属于类别1的点与属于类别2的点分开。

在许多情况下，可以通过将变换phi（）应用于数据点来解决无法线性分离的问题。据说这种变换是将点变换为 特征空间
。希望是在特征空间中，这些点将是线性可分离的。（注意：这还不是内核技巧……请继续关注。）

可以看出，特征空间的尺寸越高，在该空间中线性可分离的问题的数量就越大。因此，理想地是希望特征空间尽可能地高维。

不幸的是，随着特征空间尺寸的增加，所需的计算量也随之增加。这就是内核技巧的用武之地。许多机器学习算法（包括SVM）都可以用这样的方式制定：它们对数据点执行的唯一操作是两个数据点之间的标量积。（我将用表示x1和x2之间的标量积<x1, x2>。）

如果将点转换为要素空间，则标量乘积现在看起来像这样：

<phi(x1), phi(x2)>

关键的见解是，存在一类称为 内核 的函数，可用于优化此标量积的计算。内核是K(x1, x2)具有以下特性的函数：

K(x1, x2) = <phi(x1), phi(x2)>

对于某些函数phi（）。换句话说：我们可以评估低维数据空间（其中x1和x2为“实时”）中的标量积，而不必转换为高维特征空间（其中phi（x1）和phi（x2）为“实时”环境）
”），但我们仍然可以获得转换为高维特征空间的好处。这称为 内核技巧 。

实际上，许多流行的内核（例如高斯内核）都对应于一个变换phi（），该变换可转换为
无限维 特征空间。内核技巧使我们能够在此空间中计算标量积，而不必显式表示该空间中的点（显然，在内存量有限的计算机上这是不可能的）。