Andrew Ng理论1：当数据量足够庞大时，feature足够多时，所有的分类算法最终的效果都差不多。也就是说，不管你选用什么样的核，在训练集够大的情况下都是然并卵。当然，就分类效果来说，非线性的比线性的核好一些。但线性的也能够有很不错的分类效果，而且计算量比非线性小，所以需要具体情况具体分析。
Andrew Ng理论2:老实人Andrew教你如何选择合适的SVM核。
情况1：当训练集不大，feature比较多的时候，用线性的核。因为多feature的情况下就已经可以给线性的核提供不错的variance去fit训练集。
情况2：当训练集相对可观，而feature比较少，用非线性的核。因为需要算法提供更多的variance去fit训练集。
情况3：feature少，训练集非常大，用线性的核。因为非线性的核需要的计算量太大了。而庞大的训练集，本身就可以给非线性的核提供很好的分类效果。
作者：邱霸气
链接：https://www.zhihu.com/question/33268516/answer/57436016
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
我在实习的时候，请教过某985院校数学学院高材生这个问题，他的回答是：
他们在处理SVM如何选择核函数这个问题的时候，有一套相对成熟的方法来判断当前数据集大致适合哪一种核函数，and更多的时候，这个“适合当前数据集的核函数”不是现成就有的，是需要他们自己去编程实现的。
听完后，我当时瞬间在心中膜拜了一下！！
后来通过实习，慢慢地发现，商业领域对于机器学习算法的选择，并不倾向于选择像SVM这种高大上机器学习算法（它们就像黑盒子，虽然很牛逼，但你却不能很好地解释它的工作成果，比如在所有特征集中，到底哪个变量更重要，它们是怎么影响因变量变化的等等）。相反，LR和Decision Tree这两种算法，就相当吃香。
楼主如果不是用SVM做学术的话，没必要去深究哪种核函数更合适？
原因一，上面已经说了。
原因二，SVM现成的核函数，就那么几个，挨个挨个试也可以找到相对最优的。BUT，但我理解的SVM过度依赖参数，除了过度依赖合适的核函数外，SVM还过度的依赖当前核函数下的具体参数。
作者：知乎用户
链接：https://www.zhihu.com/question/33268516/answer/57579127
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。