Быстрый поиск в Google показывает превосходный курс Эндрю Нга по ядрам RBF :
линейно неразделимые функции часто становятся линейно разделимыми после их сопоставления с объектами высокой размерности пространство. Однако нам не нужно явно вычислять сопоставления функций: нам нужно работать только с их ядрами, которые проще вычислять. Следовательно, можно создать очень сложную границу решения на основе многомерного (даже бесконечномерного) отображения признаков, но при этом иметь эффективные вычисления из-за представления ядра.
Хотя смещение представления просто полный поиск в пространстве неполных гипотез, предпочтение bias - это неполный поиск пространства полной гипотезы, в котором ядро RBF может классифицировать данные, несмотря на разделение пространства векторов / признаков.