【可视化图解】SVM 中的径向基函数核（RBF Kernel）你真的懂了吗？
标签：机器学习、SVM、核函数、RBF、非线性分类
本文通过一张经典的手绘图（来自 Chris Albon）来深入讲解支持向量机（SVM）中的非线性核方法之一——径向基函数核（RBF Kernel） 。如果你曾疑惑“核函数到底在做什么？”“它真的能解决非线性问题吗？”，那么本文会给你一个直观、形象的答案！
一、背景知识回顾：线性 VS 非线性分类
支持向量机（SVM）最初被设计为线性分类器，也就是说，它只能通过一条直线（或超平面）来划分不同类别的样本。
但是在现实世界中，很多数据是非线性可分的。比如本文图中的数据：一堆蓝点被红点包围，怎么画直线都无法把两类分开。
这时候，核函数就登场了！
二、核方法的核心思想
我们使用核函数的主要目的是：
把数据从原始空间“映射”到一个高维空间，使得在高维空间中线性可分。
这个过程有点像魔法：
- 原始空间：数据纠缠在一起
- 高维空间：数据泾渭分明
这就是“核技巧（kernel trick）”的魅力！
三、图解 RBF 核函数的魔法过程
我们来看这张图
这幅图分为三部分，从左到右依次展示了RBF 核函数的变换过程：
原数据空间（左图）
- 蓝色点：一类数据
- 红色点：另一类数据
- 蓝点被红点包围，显然无法用一条直线分开
这是一个典型的非线性问题，线性 SVM 无能为力。
向上映射（中图）
- 通过核函数（这里是 RBF 核）将数据映射到高维空间
- 映射结果形成了一个**“凸起”的结构**（有点像一个碗）
- 红点被映射到高维空间的边缘，蓝点位于“底部”
在这个高维空间中，就可以用一个平面来把蓝红两类数据线性分开
映射回原空间（右图）
- 映射结果经过 SVM 学习后，我们把分界面投影回原始空间
- 最终形成的边界是一个非线性的“圈”
- 成功把蓝点和红点分隔开！
这就是核方法的精髓：在高维中线性分离，在原空间表现为非线性边界
四、RBF 核函数的数学表达式
图中的公式如下：
解释一下每个部分：
- ：两个输入样本
- ：它们之间的欧氏距离平方
- σ：控制“影响范围”的参数（越大，曲线越平滑）
可以理解为：越靠近的点，映射后越“相似”；越远的点，映射后越“区别”明显。
五、为什么选择 RBF 核函数？
RBF（Radial Basis Function）核在实际应用中非常常见，原因有以下几点：
能处理非线性问题
对维度不敏感（不怕“维度灾难”）
只有一个参数 σ，易于调优
通常能取得较好的分类效果
六、总结：RBF 核到底做了什么？
如果你还记得一句话，那就记住这句：
核函数=维度魔术
RBF核=用“距离”把点拉开或拉近，在高维中创造分界线
再复杂的非线性问题，在核技巧的帮助下，也可以迎刃而解。
附：图中左下角原文
“径向基函数是一个取值仅仅依赖于离中心点距离的实值函数，一般使用欧氏距离。”
也就是说，它是一种只看距离、不看方向的“影响函数”，适合各种类型的数据结构。
七、拓展阅读推荐
- 《机器学习》周志华：SVM 章节讲得非常清晰
- scikit-learn 官方文档：内置支持 RBF 核的 SVM（
SVC(kernel='rbf')） - Chris Albon 的可视化机器学习图集：chrisalbon.com
如果你觉得本文对你有帮助，欢迎点赞、收藏、关注我！
