RBF核函数和Linera核函数关系

1.Linear核
主要用于线性可分的情形。参数少，速度快，对于一般数据，分类效果已经很理想了。
2. RBF核
主要用于线性不可分的情形。参数多，分类结果非常依赖于参数。通过训练数据的交叉验证来寻找合适的参数，验证过程比较耗时。

个人经验：
使用libsvm，默认参数，RBF核比Linear核效果稍差。通过进行大量参数的尝试，一般能找到比linear核更好的效果。至于到底该采用哪种核，要根据具体问题，有的数据是线性可分的，有的不可分，需要多尝试不同核不同参数。如果特征的提取的好，包含的信息量足够大，很多问题都是线性可分的。当然，如果有足够的时间去寻找RBF核参数，应该能达到更好的效果。

---

在用RBF核函数和Linear核函数时，需要注意先对数据进行归一化处理。在一般情况下，RBF核函数效果不会差于Linear核函数，但是RBF核函数更加耗时。
1.如果数据features很多，与样本数量差不多，选用LR或者带有Linear Kernel 的SVM；
2.如果数据features很少，而样本数量一般，不大也不小，选用带有Gaussian Kernel的SVM；
3.如果数据features很少，而样本数量很多，则手动添加features将其变成第一种情况；
总结如下：
1.特征和样本数量基本相同，选用LR或线性核函数的SVM
2.特征比样本数少一点，选用高斯核函数的SVM
3.特征比样本数少很多，补充特征，再用LR或者线性核函数的SVM

---

口诀：
高维用线性，不行换特征；低维试线性，不行换高斯；
线性试试看，不行换高斯；卡方有奇效，绝招MKL；
kernel度量相似性，自己做自己做。

参考文献：https://www.zhihu.com/question/21883548/answer/19693213