核技巧（Kernel Trick）是一招数学上的"偷懒"：本来要让模型处理非线性问题，得先把数据映射到高维空间，而它让我们跳过这一步，直接用原始坐标里的一个函数，算出数据在高维空间中的内积。
为什么想到升维
想象二维平面上一圈红点围着中心，蓝点散在圈外。在平面里画不出任何一条直线把它们分开，这就是线性不可分。但如果给每个点加第三个坐标——它到原点的距离——把点抬到三维空间，红点就落进一个"碗底"，蓝点贴在"碗壁"，一个平面就能把两者切开。
一般化地说：存在一个映射 φ（phi），把 x 变成 φ(x)，维度可能远高于原始数据，甚至无穷维，而在那里数据变得线性可分。
技巧藏在哪
麻烦在于 φ(x) 常常算不出来，或者算起来太贵。核技巧注意到：很多算法（AI 词典：支持向量机 SVM">支持向量机 SVM、核岭回归、核 PCA）在训练和预测时，真正用到的只是样本之间的内积 ⟨φ(x), φ(z)⟩，从不需要 φ(x) 本身。
于是我们找一个核函数 K(x, z)，满足 K(x, z) = ⟨φ(x), φ(z)⟩，却只用原始坐标做运算。生活化的比方：要判断两个人合不合拍，不必先给每人写一份 500 项的性格清单（那等于显式升维），只要有个函数直接吐出"合拍分"就行。分数够用，中间那份清单根本不必写出来。
经典例子：K(x, z) = (x·z)² 这个核，等价于把二维点映射到三维 (x₁², √2x₁x₂, x₂²)，但计算量仍停留在二维。高斯核（RBF）对应的映射是无穷维，照样能靠核函数算出来。
| 对比项 | 显式升维 | 核技巧 |
|---|---|---|
| 是否构造 φ(x) | 要 | 不要 |
| 单次计算代价 | 随新维度增长 | 只随原始维度增长 |
| 能处理无穷维吗 | 不能 | 能 |
| 典型用途 | 手工特征工程 | SVM、核 PCA、高斯过程 |
几个容易混的概念
核技巧是手段，核方法（Kernel Methods）是用它的那一类算法的统称。它和特征工程都追求"让数据变得线性可分"，区别是前者不真的构造新特征。和深度学习相比：深度网络自己学表示，核方法靠人选核函数；样本少、维度中等、结构规整时，核方法依然好用。
对从业者的意义
按 n 个样本计算，核矩阵是 n×n，与特征维度无关——维度高不心疼，样本多才心疼：训练复杂度通常随样本量平方甚至立方增长，数据量很大时就得考虑随机特征、Nyström 这类近似，或者转向深度学习。实践中最常见的是 RBF 核加两个待调参数（核宽度 γ 与正则强度），它是小样本表格数据上值得先试的基线。具体核函数与参数以所用库的官方文档为准。