RBF核SVM适用于小到中等规模数据，大规模时需降维、采样或改用线性核；类别不平衡时必须设class_weight='balanced'；效果不佳常因gamma参数不当或未标准化。
直接说结论：当你面对小到中等规模（SVC 配 kernel='rbf' 是一个稳健且常被低估的首选方案——不是因为它“最强”，而是它在调参合理前提下，抗噪、泛化、鲁棒性三者平衡得最好。
什么时候该用RBF核而不是线性核
别先想“能不能用”，先看数据是否满足以下任意一条：
- 训练集准确率用
kernel='linear'始终卡在 65%–75%，但可视化发现类别呈环状、月牙形、螺旋或簇状分布（比如make_circles或make_moons生成的数据） - 特征维度明显高于样本量（例如 500 维特征、仅 200 个样本），此时线性核容易欠拟合，RBF 能通过局部相似度建模绕过维度诅咒
- 你明确知道业务逻辑中“相似即同类”——比如用户行为向量之间欧氏距离近，大概率属于同一兴趣群体；图像局部纹理特征越接近，越可能归属同一物体类别
- 尝试过多项式核（
kernel='poly'），但degree=3以上训练变慢、degree=2效果又不如 RBF，说明非线性结构不是多项式可表的，而是更局部、更平滑的
为什么gamma和C两个参数比模型选择还关键
gamma 控制单个支持向量的影响半径，C 控制误分类惩罚强度——它们不独立，必须联合调优。常见误区是只网格搜索却不理解组合含义：
-
gamma太小（如1e-5）→ 每个支持向量影响范围过大 → 决策边界过于平滑 → 类似线性分类器，欠拟合 -
gamma太大（如100）→ 每个支持向量只影响自己附近极小区域 → 决策边界过度扭曲 → 对噪声敏感，过拟合 -
C太小（如0.01）→ 容忍大量误分 → 边界宽但错得多 → 泛化差 -
C太大（如1000）→ 强制所有点都正确分类 → 边界紧贴噪声点 → 同样过拟合 - 典型起手值：
gamma=1/X.shape[1]（特征数倒数），C=1.0；再用GridSearchCV在[1e-3, 1e3]范围内对二者做对数网格搜索
RBF+SVM在真实项目里容易踩的坑
不是模型不行，往往是数据或流程没对齐：
立即学习“Python免费学习笔记（深入）”；
- 忘了标准化：
SVC对特征尺度极度敏感。未归一化的数据会让gamma实际只受最大量纲特征主导，其他特征失效。必须用StandardScaler或MinMaxScaler先 fit-transform 训练集，再 transform 测试集 - 测试集泄露：在调参前就把整个数据集标准化，等于把测试信息“偷”进训练过程。正确做法是把
StandardScaler和SVC封进Pipeline，再丢给GridSearchCV - 样本量 > 5 万后训练明显变慢：RBF 核需计算所有样本两两之间的距离平方，时间复杂度 O(n²)。此时应考虑降维（如
TruncatedSVD）、采样，或换用线性核 + 特征交叉 - 类别严重不平衡时，
class_weight='balanced'必须显式开启，否则少数类支持向量被忽略，gamma/C搜索也失去意义
真正难的从来不是写 svc = SVC(kernel='rbf') 这一行，而是判断你的数据是否真的需要 RBF 的“局部相似度映射”，以及能否承受它带来的参数敏感性和计算开销。很多所谓“效果不好”的案例，其实只是 gamma 没落在有效区间，或者标准化漏了一步。
