背景前提：已知某商品的推荐算法是根据一坐标关系的线性回归方程来推荐的，有如下条件
对于某一商品存在不同的四种客户，分别如下：
1、铁杆粉丝
2、摇摆不定（想买欲望大）
3、摇摆不定（不想买欲望大）
4、毫无兴趣
对于四种人，我们有以下情况：
一、
对于这种情况算法推荐人群较为合理，可以在摇摆不定的人中尽可能多推荐。但是如果是如下情况。
像这种情况，买的人的权重过大，以至于推荐发生偏移。这样就不符合我们的预期了，这时候我们就要想一个办法让他的回归方程降低。这时候我们显然想到加入权值以平衡，我们之前学过，有一种叫sigmoid的函数。其图像是。
仔细观察，没错，在极低和极高的变化率极小，把他变化率当做权值不失为一种好的方法。
现在我们可以引入一个新的东西，
’
很简单，就是sigmoid函数套了一个概率，乘上去得到logistic回归，它在各个方面都能用上，金融，推荐，商业化方面运用广泛。
好了，高能预警！
对于以下的图还能用logistic去分类吗？
数学大佬请求出战！
对于这样的一个分布，我们可以用高斯核函数（就是某种沿径向对称的标量函数。 通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数 , 可记作 k(||x-xc||), 其作用往往是局部的 , 即当x远离xc时函数取值很小。最常用的径向基函数是高斯核函数 ,形式为 k(||x-xc||)=exp{- ||x-xc||^2/(2*σ^2) } 其中xc为核函数中心,σ为函数的宽度参数 , 控制了函数的径向作用范围。）
康康百度好吗，秋梨膏。
对于像我一样的萌新（憨批）的话，是挺难理解的，一句话来说，高斯核函数可以将二维的升至三维，四维乃至无限维（只要你能想象的出）。
如下：
就是这样，在空间内用logistic分类即可得到。。。
同样具有二维的性质。
大概讲讲说了这么多的原因和大致思想，对于机器来说，‘学习’一个东西是要给他具体的方法的，就比如说，一个函数，一个公式等等，如果你给如上图所示的图形，机器是不能自发的将其升维。也就是目前的所谓‘学习’’，并不是真正的能自发的学习。
说个有意思的事，我们学校一学长，去参加一个比赛，他的项目是关于机器学习的。以下是他的原话
‘就下面答辩的老师问的问题都暴漏水平我拿什么去参加校选比赛？ 问：“人工智能机器学习，那你这个软件可以自己学习自己升级吗？” 我是真的没办法好吧我参加个蛇皮比赛，就二手交易这样的通俗易懂的才可以是吗？’
真狠啊，自己升级23333333。
噢，脑袋不行了，溜了溜了，纯萌新，有错勿怪。
