与扩展特征空间中的线性SVM相比，内核SVM有哪些缺点？

Question

这是我考试中提出的问题。 我给出了以下答案，给了我0分。教授甚至不同意给予任何部分功劳，也没有告诉我答案有什么问题。任何人都可以帮我弄清楚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）如果数据在扩展特征空间中是线性可分的，则线性SVM可以更好地最大化边距，并且可以导致更稀疏的解决方案。 2）当存在大数据集时，与扩展特征空间中的核化SVM相比，线性SVM花费更少的时间来训练和预测。 3）与线性SVM相比，核心SVM可以过度拟合生成更复杂的训练SVM模型。

Answer 1

嗯，在我看来这没关系。我肯定同意你的第二个答案。这里要提到的一件重要事情是，内核SVM需要更多的参数，因此，训练和选择足够的参数集更难。

想想RBF内核，例如，它需要一个典型的 C 参数，就像线性SVM一样，但除此之外，还需要 Sigma （通常称为 Gamma ）参数，它是正态分布的标准偏差。因此，要确定两个参数的良好设置，必须使用 Grid-Search 等方法。