在SVM中使用核函数来划分非线性域时，我们会基于训练样本引入新的特征。这样我们就有了与训练样本数量相同的特征。但是，特征数量与样本数量相等是否会增加过拟合的风险呢？我们应该舍弃一些这些新特征吗？

回答：

你实际上不能舍弃任何由核函数生成的特征，在许多情况下你不知道使用了哪些特征或它们被赋予了什么权重。除了使用核函数外，SVM还使用正则化，而这种正则化减少了过拟合的可能性。

你可以阅读关于SVM的公式与统计学习理论之间的联系，但高层次的总结是SVM不仅找到一个分离超平面，而且找到一个最大化边缘的超平面。

维基百科关于SVM的文章非常好，并且提供了关于正则化、参数搜索和许多其他重要主题的优秀链接。