从线性内核开始，看看你的数据是否是线性可分的。执行这比寻找早期迹象更简单。

当特征数量大于数据集中的观察数量时，建议使用线性内核（否则 RBF 将是更好的选择）。

然而，一旦你断定你有非线性数据，你可以尝试将非线性可分数据可视化并映射到更高维度的空间，看看它是否使数据线性可分。无论如何，这就是内核所做的事情，因此您的可视化将为您提供有关要使用的内核类型的见解和指示。

此链接可能会有所帮助。

本文由 Chih-Wei Hsu 等人撰写。是内核选择的一个很好的起点。在第 3 页，他们建议使用 RBF 内核并对其进行微调。

Andrew Ng 在他关于 SVM 的视频中还提供了一个非常高级的经验法则：如果观察的数量大于特征，则使用高斯核。否则使用线性。