通常，决定是使用线性核还是 RBF（又名高斯）核。有两个主要因素需要考虑：

1. 解决线性内核的优化问题要快得多，例如 LIBLINEAR。
2. 通常，非线性内核的最佳预测性能更好（或至少与线性内核一样好）。

已经证明线性内核是 RBF 的退化版本，因此线性内核永远不会比经过适当调整的 RBF 内核更准确。引用我链接的论文的摘要：

分析还表明，如果使用高斯核进行了完整的模型选择，则无需考虑线性 SVM。

NTU 的支持向量分类实用指南（附录 C）简要介绍了一个基本的经验法则。

如果特征数量很大，则可能不需要将数据映射到更高维空间。也就是说，非线性映射不会提高性能。使用线性核就足够了，而且只搜索参数 C。

你的结论或多或少是正确的，但你的论点倒退了。在实践中，当特征数量很大时（例如，不需要映射到更高维的特征空间），线性核往往表现得非常好。一个典型的例子是文档分类，输入空间有数千个维度。

在这些情况下，非线性内核不一定比线性内核更准确。这基本上意味着非线性内核失去了吸引力：它们需要更多的资源来训练，而预测性能几乎没有增益，所以何苦呢。

TL;博士

总是先尝试线性，因为训练（和测试）要快得多。如果准确度足够，请拍拍自己的好成绩，然后继续下一个问题。如果没有，请尝试非线性内核。

Andrew Ng 从 14:46 开始在这个视频中给出了一个很好的经验法则解释，尽管整个视频都值得一看。

关键点

• 当特征数大于观察数时使用线性核。
• 当观察数大于特征数时使用高斯核。
• 如果观察数大于 50,000，则使用高斯核时速度可能会成为问题；因此，人们可能想要使用线性内核。