在下面的代码中，当我通过kernel='linear'时，交叉验证的准确性约为90％，但当我通过kernel='rbf'时，交叉验证的准确性约为40％。 rbf内核也不能用于线性分类吗？
分类问题是对字母（A-Z）进行分类，即编号。的类= 26。每个图像（总计：340）数据均为灰度数据，大小为：20 * 10。
同样，通过使用简单的散点图可以轻松地可视化数字特征。有什么比使用降维技术（例如PCA）可视化图像更好的主意吗？
如何知道图像数据集是否可以线性分离？
from sklearn.svm import SVC
np.random.seed(42)
shuffle_index = np.random.permutation(340)
shuffled_X, shuffled_y = X_train[shuffle_index], y_train[shuffle_index]
model = SVC(kernel='linear', probability=True)
model.fit(shuffled_X, shuffled_y)
print(cross_val_score(model, shuffled_X, shuffled_y, cv=2))
答案 0 :(得分：0)
简短的回答：您可以确定图像数据集是线性可分离的（只要足够小且“自然”即可），但是这种分离是无用的，因为它不会扩展到验证和测试集。 / p>
在rbf内核的情况下，线性内核和rbf内核之间的性能差异可能是由于过度拟合造成的。一种解决方案是，如果可能的话，获取更多数据。显然，这并不总是可能的，因此，如果没有，我会坚持使用线性分类器。毕竟，应该使用交叉验证来选择哪种模型效果最好。
说实话，我很惊讶您可以使用26个类的小数据获得90％的准确性！