“原理展开，可以在高维特征空间中应用线性学习机的方法，所以与线性模型相对比几乎不增加计算的复杂性”降重

支持向量机（SVM）的原理可以通过核函数将低维特征空间中的数据映射到高维特征空间中，从而使得原本线性不可分的数据在高维空间中线性可分。这种映射可以通过核技巧来实现，而不需要直接计算高维空间的特征表示。

在高维特征空间中，SVM可以应用线性学习机的方法，例如使用线性核函数的SVM。这意味着SVM在高维空间中的计算复杂性与线性模型相似，因为它们都是在高维特征空间中进行线性学习的。

这种降维的技术使得SVM能够处理高维数据集，而几乎不增加计算的复杂性。通过在高维空间中寻找最优超平面，SVM可以更好地处理非线性和复杂的分类问题。

希望这样的解释能满足你的需求。如果还有其他问题，请随时提问。

相关问题

“SVR以核函数的原理展开，可以在高维特征空间中应用线性学习机的方法，所以与线性模型相对比几乎不增加计算的复杂性。”给我改改话

支持向量回归（Support Vector Regression，SVR）以核函数的原理展开，通过将数据映射到高维特征空间中，可以在高维空间中应用线性学习机的方法。这使得SVR与线性模型相比几乎不增加计算的复杂性。

SVR利用核技巧将低维特征空间中的数据映射到高维空间，使得原本非线性的数据在高维空间中变得线性可分。然后，SVR在高维特征空间中使用线性学习机的方法，例如线性核函数，来拟合数据。

由于在高维空间中进行线性学习，SVR的计算复杂性与线性模型相近，因此几乎不增加额外的计算负担。

希望这样的修改满足了你的要求。如果还有其他问题，请随时提问。