machine-learning - 在扩展特征空间中，核 SVM 与线性 SVM 相比有哪些缺点？

Question

这是我考试时提出的问题。我给出了以下答案，我的得分是0分。教授甚至不同意给予任何部分的认可，也没有告诉我我的答案有什么问题。谁能帮我找出我的答案有什么问题吗？

这是我在考试中给出的答案。缺点是:1) 如果数据在扩展的特征空间中是线性可分的，线性 SVM 可以更好地最大化边际，并可以得到更稀疏的解决方案。2) 当数据集很大时，与扩展特征空间中的核化 SVM 相比，线性 SVM 需要更少的时间来训练和预测。3) 与线性 SVM 相比，核化 SVM 可能会过度拟合，生成更复杂的经过训练的 SVM 模型。

Answer 1

嗯，我觉得还可以。我绝对同意你的第二个答案。这里需要提到的一件重要事情是，内核 SVM 需要更多参数，因此训练和选择足够的参数集会更加困难。

以 RBF 核为例，它需要像线性 SVM 一样的典型 C 参数，但除此之外，它还需要 Sigma(通常称为Gamma)参数，它是正态分布的标准差。因此，要确定这两个参数的良好设置，必须使用Grid-Search等方法。