学习模型按照参数与维度还是样本相关，可分为参数模型（参数与维度相关）和核模型（参数与样本相关）。
对于核模型的核方法或核函数说明有如下博文，参考《图解机器学习》理解如下两页。
https://blog.csdn.net/fjssharpsword/article/details/81661602
https://blog.csdn.net/fjssharpsword/article/details/79092082
这个理解包括两方面：
1）非线性SVM中核函数的作用，起到高维线性可分同时又在低维进行计算，避免高维运算；
2）SVM和神经网络的比较，神经网络参数学的更多，模型更复杂，计算更大。
还有一些理解的不是很透彻，如高斯核模型中，只在输入样本附近对函数近似。按照参数模型中的加法乘法两种思路拓展多维，可以很好理解高维和低维的关系，以及模型复杂度、参数多寡、计算量大小、拟合度等等。