表示定理（Representer theorem）是統計學習理論中的一個重要定理，它指出在再生核Hilbert空間上，正則化風險函式的最小值可以通過核函式的線性組合來表示。這意味著在L2正則化問題中，最佳解可以表示為訓練樣本集與再生核的線性組合。
表示定理的意義在於：
簡化了正則化的經驗風險最小化問題。
將無限維的最小化問題轉化為搜尋最優係數的有限維問題，從而可以通過標準的函式最小化算法來求解。
為將一般的機器學習問題轉化為可實現算法提供了理論基礎。
例如，在L2正則化問題中，最佳解w*可以用βn與Zn的線性組合得到，其中βn是係數，Zn是特徵向量。這樣的表示不僅有助於理解和學習理論，還對實際套用中的算法設計和分析有著重要的指導意義。