Consider we have a data-matrix of data points and we are interested to map those data points into a higher dimensional feature space. We can do this by using d-degree polynomials. Thus for a sequence of data points the new data-matrix is I have studied a relevant script (Andrew Ng. online course) that make such a transform for 2-dimensional...
你似乎对将一个函数 分解成谐波的含义有误解。
哪条左边的边会延续到右边的边？你是什么意思？
你明白，傅里叶分解的意义在于得到一组不同频率、振幅和相移的谐波（正弦波），这样，当你把它们加起来时，就能从数据集中得到类似于原始函数的东西。
每个正弦波就像一个无限的函数，既没有左边缘也没有右边缘。要推断它，你只需要继续它，而不是把 "左 "边与 "右 "边连接起来。
而这个谐波总和的周期性将不等于原始近似数据的采样范围，而是等于所有不同频率相移的谐波同时回到起始值的时刻之间的距离，而不是可以发生的事实，因为只有当所有的谐波频率都是同一数值的倍数时才会发生。
蓝线是近似值，红线是推断值。
傅里叶级数展开的意义在于用谐波级数（一些基函数集合）来表示一个表层定义的函数。只要是通过手工整合，就特别受欢迎。
再读一下系列的定义和存在的条件。只有在所述条件下，它才会收敛于该函数。而这对周期性函数来说是可能的。
该方法的物理本质似乎让你摸不着头脑。选择一部分谐波，当然，你会得到除周期性以外的外推值，但这将是一个函数近似方法的错误，在极限情况下，当选择所有的 谐波时，它将是准确的。但如果你选择所有的谐波，你将得到一个周期性的函数。
阅读一些关于特征值问题的文章--它在物理上是一样的：你试图找到一个基础，通过基函数的组合来表示有关的函数。只有傅里叶数列是这种分解的一个特例。
不管你喜不喜欢，当你做傅里叶级数展开时，你已经假设函数是周期性的，其周期等于你做展开的间隔时间。否则，该扩展根本无法收敛到被逼近的函数。当然，只选择一部分谐波，你会得到一些数字。但其可靠性是值得怀疑的--不可能先验地估计出近似误差。
而事实证明，对于函数在右边缘上的行为的不同情况（在外推期间），在不同情况下应该采取不同的谐波集。但这是在事后才知道的。
...
你所面临的挑战是如何为n个向量而不是2个向量重做文章中的任何内核。就这样了。
这就是格拉姆矩阵的用处 :O)
这就是格拉姆矩阵的用处 :O)
不，格拉姆的。
不，格拉玛。
在这个问题上，社会不知为何还没有达成共识。
公众在这个问题上还没有达成共识。
谁在乎呢，事实上，写吧，我已经厌倦了 :)我昨天才知道这个名字。
在Matlab中，有一个例子
https://stackoverflow.com/questions/33660799/feature-mapping-using-multi-variable-polynomial
我想用最流行的内核制作这样一个库，用于mql
傅里叶级数展开的意义在于用谐波级数（一些基函数集合）来表示一个表列的函数。只要是通过手工整合，就特别受欢迎。
再读一下系列的定义和存在的条件。只有在所述条件下，它才会收敛于该函数。而这对于周期性函数来说是可能的。
该方法的物理本质似乎让你摸不着头脑。选择部分谐波，在外推过程中自然会得到与周期性数值不同的数值，但这将是函数近似方法的一个错误，如果选择所有的 谐波，在极限情况下会很精确。但如果你选择所有的谐波，你将得到一个周期性的函数。
阅读一些关于特征值问题的文章--它在物理上是一样的：你试图找到一个基础，通过基函数的组合来代表有关的函数。只有傅里叶数列是这种分解的一个特例。
不管你喜不喜欢，当你做傅里叶级数展开时，你已经假设函数是周期性的，其周期等于你做展开的间隔时间。否则，该扩展根本无法收敛到被逼近的函数。当然，只选择一部分谐波，你会得到一些数字。但其可靠性是值得怀疑的--不可能先验地估计出近似的误差。
而事实证明，对于函数在右边缘上的行为的不同情况（在外推期间），在不同情况下应该采取不同的谐波集。但这是在事后才知道的。
你说的 "所有谐波 "是什么意思？所有的谐波意味着无穷大的谐波。
你甚至明白这些公式的含义吗？
关于 "函数是周期性的，其周期等于你做分解的间隔"，你是大错特错。
勤奋地对代码 进行实验，自己看看。
你说的 "所有谐波 "是什么意思？所有的谐波意味着无穷大的谐波。
你理解这些公式的含义吗？
关于 "函数是周期性的，周期等于你做分解的区间"，你是大错特错。
勤奋地对代码 进行实验，自己看看。
当然是无限的数量。这就是为什么我在限制中这样写。通过选择部分谐波，你就有了近似误差，而这是无法先验地估计的。重新仔细阅读定义和收敛条件--我没有任何错误。
谁在乎呢，基本上都是写的，我已经厌烦了 :)我昨天才知道这个名字。
在Matlab中有一个例子
https://stackoverflow.com/questions/33660799/feature-mapping-using-multi-variable-polynomial
我想用最流行的内核制作这样一个库，用于mql
А...你第一次看到这篇文章 是什么时候？你确定你能正确理解它所说的一切吗？
А...你第一次看到这篇文章 是什么时候？你确定你能正确理解它所说的一切吗？
这个大约在一周前。是的，我说对了。
当然是无限的数量。这就是为什么我在限制中这样写。通过选择部分谐波，你有近似的误差，而这是无法先验地估计的。仔细阅读定义和收敛条件--我没有错。
老实说--你在胡说八道。
如果函数是周期性的，其周期等于分解的间隔，那么我们为什么还需要近似和外推？
只需复制最后1000个柱子，并将其粘贴到右边的最后一个柱子上，瞧，预测已经准备好了。
