不确定题主到底有没有理解。但anyway我可以给更详细的解释，对后来者有帮助也是极好的。

Kernel是用来升维的，其升维的原理在于用极少的计算量计算高维度feature vector的内积。也就是说Kernel一定表示的是feature vector的内积，那么现在的问题就在于Gaussian kernel到底表示了什么feature vector的内积？

请看下面的分解：

所以Gaussian kernel “隐性”（implicitly）地表示了两个无限维度feature的内积……之所以是“隐性”是因为我们单纯通过kernel无法知道feature的具体形式。但可以确定feature的维数。

我试着回答一下我的理解。

『RBF核：主要用于线性不可分的情形。参数多，分类结果非常依赖于参数。』这里的参数是模型的参数（系数）。

『请问参数多主要体现在哪里呢？公式里面不就一个sigma平方吗？』这里的参数是指模型的超参数。

我们调参的时候是调节的超参数。模型自己学习的是参数。

我们知道SVM的kernel function很多时候是用来升维的。

每个维度对应着一个参数（线性方程里每个变量前面的系数），升维之后，参数自然变多了。