阅读李航博士的《统计学习方法》，非线性支持向量机中关于核技巧的知识中说：
核技巧应用到支持向量机，其基本想法就是通过一个非线性变换将输入空间(欧式空间R^{n}或离散集合)对应于一个特征空间(希尔伯特空间\mathcal{H}，使得在输入空间R^{n}中的超曲面模型对应于特征空间\mathcal{H}的超平面模型(支持向量机)。这样，分类问题的学习任务通过在特征空间中求解线性支持向量机就可以完成。
其中，提及希尔伯特空间，查阅相关论坛，看到知乎上有一个比较精辟的解释，摘录如下：
什么是赋范线性空间、内积空间，度量空间，希尔伯特空间 ？ 现代数学的一个特点就是以集合为研究对象，这样的好处就是可以将很多不同问题的本质抽象出来，变成同一个问题，当然这样的坏处就是描述起来比较抽象，很多人就难以理解了。
既然是研究集合，每个人感兴趣的角度不同，研究的方向也就不同。为了能有效地研究集合，必须给集合赋予一些“结构”（从一些具体问题抽象出来的结构）。
从数学的本质来看，最基本的集合有两类：线性空间（有线性结构的集合）、度量空间（有度量结构的集合）。
对线性空间而言，主要研究集合的描述，直观地说就是如何清楚地告诉地别人这个集合是什么样子。为了描述清楚，就引入了基（相当于三维空间中的坐标系）的概念，所以对于一个线性空间来说，只要知道其基即可，集合中的元素只要知道其在给定基下的坐标即可。
但线性空间中的元素没有“长度”（相当于三维空间中线段的长度），为了量化线性空间中的元素，所以又在线性空间引入特殊的“长度”，即范数。赋予了范数的线性空间即称为赋犯线性空间。
但赋范线性空间中两个元素之间没有角度的概念，为了解决该问题，所以在线性空间中又引入了内积的概念。
因为有度量，所以可以在度量空间、赋范线性空间以及内积空间中引入极限，但抽象空间中的极限与实数上的极限有一个很大的不同就是，极限点可能不在原来给定的集合中，所以又引入了完备的概念，完备的内积空间就称为Hilbert空间。
这几个空间之间的关系是：
线性空间与度量空间是两个不同的概念，没有交集。
赋范线性空间就是赋予了范数的线性空间，也是度量空间（具有线性结构的度量空间）；
内积空间是赋范线性空间加上角度的概念；
希尔伯特空间就是完备的内积空间。
