核方法（Kernel Methods）是一類在機器學習中廣泛套用的算法，主要目的是在原始數據上使用非線性變換，將其映射到高維特徵空間，從而使得原本在原始空間中線性不可分的數據變得線性可分。這樣，即使在高維空間中，簡單的線性模型如支持向量機（SVM）或高斯過程等，就可以用來進行分類、回歸或其他學習任務。
核方法的核心在於核函式，它能夠在原始數據空間計算任意兩個點在高維特徵空間中的內積，而無需顯式地計算這些點在高維空間中的具體坐標。這種方法不僅降低了計算的複雜度，還避免了在高維空間中進行複雜操作的困難。
核方法的套用範圍廣泛，包括但不限於模式識別、自然語言處理、圖像處理等領域。它們的主要優勢在於能夠處理非線性問題，同時保持計算的效率和模型的泛化能力。