有人知道高斯RBF内核的用途吗？是否对不能线性分离的数据进行分类？它捕获了哪种表示偏见？
Google快速搜索显示an excellent Andrew Ng course on RBF kernels：
线性不可分离的特征通常在将它们映射到高维特征空间后会变得线性可分离。但是，我们不需要显式地计算特征映射：我们只需要使用它们的内核即可，它们更易于计算。因此，可以基于高维（甚至无限维）特征映射创建非常复杂的决策边界，但由于内核表示而仍具有高效的计算能力。
尽管表示偏差只是对不完整假设空间的完全搜索，但preference偏差是对完整假设空间的不完全搜索，RBF内核可以通过分离向量/特征空间来对数据进行分类。