真实面经题目 · 原创解析
常见的核函数有哪些？
常见核函数包括线性核、多项式核、RBF 高斯核、Sigmoid 核等；回答重点是说明核函数在不显式升维的情况下计算高维特征空间内积。
出现于：拼多多 · 算法
01
60 秒回答模板
核函数的作用是把原空间样本映射到高维特征空间后计算内积，但计算时不一定显式构造高维向量。常见核函数有线性核，适合线性可分或高维稀疏特征；多项式核，可以建模特征交互；RBF 高斯核，能表达局部非线性关系，是 SVM 中很常用的核；Sigmoid 核形式类似神经网络激活，但需要参数满足条件。选择时要看数据规模、维度、非线性程度和过拟合风险。
考点 核技巧
难度 真实面经题
回答目标 讲清方法、取舍和追问
02
深入解析
先说明核技巧
核函数不是简单的相似度名字，而是满足一定条件的函数，用来直接计算映射后特征空间的内积，从而避免显式构造高维甚至无限维特征。
线性核适合简单场景
线性核就是原空间内积，参数少、速度快、可解释性较好。文本分类这类高维稀疏场景中，线性核往往已经有不错效果。
多项式核建模交互
多项式核可以表示不同阶数的特征组合，适合存在有限阶特征交互的任务。但阶数过高会增加复杂度，也更容易过拟合。
RBF 核表达非线性
RBF 高斯核基于样本距离度量局部相似性，表达能力强，常用于非线性分类。关键参数 gamma 会影响决策边界的平滑程度。
选择核函数看数据
样本量大、维度高时优先考虑线性核或近似方法；非线性明显且样本规模可控时可尝试 RBF；选择时要配合交叉验证调 C、gamma、degree 等参数。
03
易错点
- 不要只列名字，要解释核函数和高维映射内积的关系。
- 不要认为 RBF 一定最好，样本规模、维度和过拟合风险都要考虑。
- 不要忽略核函数参数，参数不合适会直接影响分类边界。
04
面试官追问
RBF 核的 gamma 有什么影响？
gamma 越大，单个样本影响范围越小，边界更复杂；gamma 越小，影响范围更大，边界更平滑。
什么时候用线性核？
当数据近似线性可分、维度高、样本大或需要更快训练推理时，线性核更合适。
核函数需要满足什么条件？
常见要求是对应的 Gram 矩阵半正定，也就是满足 Mercer 条件，才能表示某个特征空间的内积。
