假如说：
- 问题出在自然科学领域，即变量之间的关系是基于物理的，不会因上下文而改变
- 它是一个基于回归的模型
与神经网络等相比，假设内核化方法（例如 SVM）对于未知的预测变量组合表现更好，这是否正确？
据我了解，当新输入超出最初训练的分布时，许多 ML 模型通常无法提供准确的预测。例如，基于树的方法，如随机森林，但如果新变量不可用，则在训练的预测器组合上提供出色的输出时会失败。另一方面，内核（尤其是线性）将决策边界投射到初始训练点的空间之外。因此假设，内核投影的阈值/边界有助于为看不见的组合保持更好的准确性。