线性核
K(x,z)=xᵀz直接使用原空间内积，边界保持线性。它是核实验的基线，也适合高维稀疏数据。
让同一组点接受三种相似度
先切换数据预设，再比较核。点图中的样本可选参照点；点空白处移动探针。键盘聚焦画布后，也能用方向键移动探针。
- 正类圆点
- 负类菱形
- 决策边界
- RBF 的 e⁻¹ 半径
训练误差0 / 0
估计边界长度0.0
复杂度读法—
活跃样本权重0
拿一个样本做“相似度手电筒”
参照样本不变，移动探针 z。局部影响先看 K(xᵢ,z)，再乘上训练得到的样本权重，才成为该样本对当前分数的贡献。
参照样本 P1
坐标 (0.00, 0.00)，类别 +1
欧氏距离0.00
核值 K(xᵢ,z)0.000
单样本贡献 αᵢK0.000
RBF 相似度只由距离决定，并随距离平方指数衰减。
核改变的是可用关系，不是数据本身
下面三张说明与当前核同步高亮。先问数据关系是什么，再决定是否值得引入弯曲边界。
多项式核
K(x,z)=(γxᵀz+r)ᵈ让有限阶交互进入线性模型。degree、gamma 与 coef0 会彼此耦合，数值范围也会快速放大。
RBF 核
K(x,z)=exp(−γ‖x−z‖²)按欧氏距离衰减。gamma 很大时，每个样本的影响更局部，边界也更容易围着少量点转弯。
不要把这张图误读成“高维空间长这样”。
主图只显示原二维输入中的预测。核矩阵用样本对的内积替代显式特征坐标；可能很高维甚至无限维的 φ(x) 没有被逐轴画出，也没有必要逐轴画出。
为什么训练误差低不代表这个核更合适？
提高多项式次数或 RBF gamma 往往能让边界贴近训练点，也可能只是记住离群点和标签噪声。真实选择要把预处理放进交叉验证，并同时检查验证误差、边界稳定性、支持向量数与计算成本。