SVM內核基本講解請參考前面的文章：機器學習和SVM中的內核是什麼？我們為什麼需要它們？

當給定一個任意數據集，通常我們不知道哪個內核效果更好。如果數據集是線性可分的，則線性內核就可以正常工作；但如果數據集不是線性可分的，線性內核就不起作用。可以先從簡單空間假設開始，如圖示假設我們的數據集僅包含2個維度，下圖左部分採用線性核SVM，右圖採用高斯內核SVM，兩者都能很好的分類數據集。這時候採用線性內核更好，線性SVM可以認為是參數模型，而高斯內核SVM不是，且後者的複雜性隨著訓練集的增大而增大。

當數據不是線性可分的時候，非線性內核就起作用了，所以數據集類型很重要，如下圖所示，左側的線性內核無法很好的分類，但是高斯內核這時候起作用了。內核允許我們在非常高維度，甚至無限維度上繪製「直線」或「平面」。

常用的內核有高斯內核，多項式內核也會使用，但是計算複雜且難以控制。基於損失函數可以確定哪個內核對於給定任務是最合適的，下面的視頻十分形象描繪出了非線性內核的作用。

00:42基於多項式內核SVM

參考：https://www.youtube.com/watch?v=3liCbRZPrZA

推薦閱讀：