在 SVM 中，多项式内核定义为：
（规模 * crossprod(x, y) + 偏移量）^度
比例和偏移参数如何影响模型以及它们应该在什么范围内？（直觉请）
只是数字稳定性的比例和偏移量（这对我来说就是这样），还是它们也会影响预测准确性？
当数据已知或需要网格搜索时，是否可以计算/估计比例和偏移的良好值？caret 包总是将偏移量设置为 1，但它会在网格中搜索比例。（为什么）偏移量 1 是一个好值吗？
谢谢
PS.：维基百科并没有真正帮助我理解：
对于 d 次多项式，多项式内核定义为
其中 x 和 y 是输入空间中的向量，即从训练或测试样本计算的特征向量，是多项式中高阶项与低阶项的影响的
常数权衡。 当 时，内核称为同质内核。（进一步广义的多内核除以用户指定的标量参数。）
?polydot 在 R 的帮助系统中的解释也没有：
scale：多项式和正切内核的缩放参数是规范化模式（<-！？）的便捷方式，无需修改数据本身
offset：多项式或双曲正切内核中使用的偏移量（<-lol 谢谢）
偏移量参数在分类任务中有时被称为“偏差”，它的直观理解与使用什么样的内核无关。它主要用于补偿不以 0 为中心的特征向量。
我将尝试用一个玩具示例直观地解释偏差的作用。假设您有一些x参数始终为负的特征向量。您在 SVM 中使用的一组权重w（假设是线性的，只是为了清楚起见）可能会将特征转换为 [0, 1] 范围 - 因此它们始终为负数。但是，属于第 1 类的元素属于 [0, 0.5] 范围，属于第 2 类的元素属于 [0.5, 1] 范围。
为了分类，SVM 使用 0 作为阈值断点——如果大于 0，则为第 1 类的元素，如果小于 0，则为第 -1 类的元素。但是在这种情况下，所有元素都将被分类到第 2 类。但是，偏差为 0.5（在这种线性情况下），它们将被正确分类。
这种几何解释对于更复杂的内核不太适用，但想法是一样的：偏差项试图补偿不以零为中心的特征。在实践中，如果特征以零为中心，则并不总是需要偏差项。要解决偏见问题，您可以：
扩充您的特征数据以在开头包含 1。IE：
[feat1 feat2 feat3] --> [feat1 feat2 feat3 1]
对于您的所有特征向量。然后偏置项将作为另一个 SVM 权重参数学习。
也就是说，给定所有支持向量, 学习到的权重, 培训班, 训练特征，以及用于预测的特征，预测的类将是. 最优的然后将偏差或偏差计算为正确和计算的预测类别之间的平均距离：
希望有帮助。我认为最简单的方法是将您的功能居中；）