Q:有个疑问就是，模型本身不是线性的，为什么一定要先用线性模型做？
A:有核函数和泰勒展开等等，可以无限逼近转化成线性？
小知识：
1.Sigmoid函数，即f(x)=1/(1+e-x)。是神经元的非线性作用函数。广泛应用在神经网络中。又叫Logistic函数。
机器学习中一个重要的预测模型逻辑回归(LR)就是基于Sigmoid函数实现的。LR模型的主要任务是给定一些历史的{X,Y}，其中X是样本n个特征值，Y的取值是{0,1}代表正例与负例，通过对这些历史样本的学习，从而得到一个数学模型，给定一个新的X，能够预测出Y。LR模型是一个二分类模型，即对于一个X，预测其发生或不发生。但事实上，对于一个事件发生的情况，往往不能得到100%的预测，因此LR可以得到一个事件发生的可能性，超过50%则认为事件发生，低于50%则认为事件不发生。
可参考：https://blog.csdn.net/su_mo/article/details/79281623
http://www.mamicode.com/info-detail-2315826.html
https://www.cnblogs.com/xitingxie/p/9924523.html
2.RBF– 径向基核函数 (Radial Basis Function)
Radical: adj. 放射状的; 辐射状的
Gaussian函数还有另外一个叫法——径向基函数。
就是某种沿径向对称的标量函数。 通常定义为空间中任一点x到某一中心xc之间欧氏距离的单调函数 , 可记作 k(||x-xc||), 其作用往往是局部的 , 即当x远离xc时函数取值很小。
可以参考：https://www.cnblogs.com/hxsyl/p/5231389.html
一、什么是核函数？
我来举一个核函数把低维空间映射到高维空间的例子。下面这张图位于第一、二象限内。我们关注红色的门，以及“北京四合院”这几个字下面的紫色的字母。我们把红色的门上的点看成是“+”数据，紫色字母上的点看成是“-”数据，它们的横、纵坐标是两个特征。显然，在这个二维空间内，“+”“-”两类数据不是线性可分的。
