Truco del kernel
Técnica que calcula productos internos en un espacio de características de alta dimensión de forma implícita, permitiendo que algoritmos lineales ajusten fronteras de decisión no lineales con eficiencia.
El truco del kernel es un atajo matemático que permite a un algoritmo de aprendizaje automático trabajar en un espacio de características rico mientras opera solo sobre similitudes pareadas entre entradas brutas. Una función kernel calcula el producto interno que resultaría si cada ejemplo se mapeara a una representación de mayor dimensión, pero sin construir ese mapeo de forma explícita. Métodos lineales como las máquinas de vectores de soporte (SVM) pueden así ajustar fronteras curvas o complejas manteniendo tratable el problema de optimización.
La idea se remonta a Aizerman, Braverman y Rozonoer (1964). Bernhard Boser, Isabelle Guyon y Vladimir Vapnik la combinaron con clasificadores de margen máximo en 1992, sentando la base de las SVM no lineales. Corinna Cortes y Vapnik publicaron la formulación ampliamente usada de 1995. Los kernels habituales incluyen funciones polinomiales y de base radial; elegir el kernel adecuado solía ser tan importante como ajustar la regularización en las tuberías previas a la era del aprendizaje profundo. Véase el artículo sobre máquinas de vectores de soporte y la entrada de la cronología.