我在某处读到，如果您的特征集中的维数非常多，那么与线性内核相比，RBF（或任何其他）等非线性内核可能无助于提高准确性。
这样做的直观原因是什么？
同一篇文章（我认为这是 CrossValidated 上的答案之一）提到这是处理文本数据时的典型案例，因为特征数量通常非常多。
与线性核相比，为什么非线性核不能提高高维精度？
机器算法验证
机器学习
分类
支持向量机
2022-03-25 13:50:57
1个回答
使用核函数的动机是将数据映射到（通常是更高维的）特征空间，在该空间中更容易线性地分离数据。如果输入空间是高维的，则数据通常已经（几乎）可分离，因此无需映射到更高维的特征空间。
理论上，使用 RBF 内核可以获得的最佳模型至少与最佳线性模型一样好。在实践中，非线性内核提供的改进通常不值得额外的计算工作。
其它你可能感兴趣的问题