SVM 是否总能成功找到线性决策边界？
Will SVMs always succeed in finding a linear decision boundary?
SVM 的工作原理是将点映射到越来越高的维度，直到找到线性边界。
SVM 是否总能成功找到线性的决策边界？
首先，SVM 不会将点映射到越来越高的维度。如果使用线性核，则不映射点；对于其他一些内核，例如RBF核，它们被映射到无限维space.
对于你的问题，我想你的意思是 RBF kernel can find a separating hyperplane in the mapped space. It is proven here 具有足够小的 σ^2 和足够大的 C 的 SVM 是否可以总是 找到一个分离超平面，即训练准确率100%。
SVM 的工作原理是将点映射到越来越高的维度，直到找到线性边界。
SVM 是否总能成功找到线性的决策边界？
首先，SVM 不会将点映射到越来越高的维度。如果使用线性核，则不映射点；对于其他一些内核，例如RBF核，它们被映射到无限维space.
对于你的问题，我想你的意思是 RBF kernel can find a separating hyperplane in the mapped space. It is proven here 具有足够小的 σ^2 和足够大的 C 的 SVM 是否可以总是 找到一个分离超平面，即训练准确率100%。