为什么SVM使用不同的功能获得不同的结果？

总之-因为每一个机器学习方法依赖于代表。特别是，对于任何合理的（能够学习线性可分离数据的）分类器，确实存在数据表示，该数据表示导致该分类器具有50％的准确性（随机分类器，假设类别是平衡的），并且存在一个数据表示，其结果在分类器中具有100％的准确性（假设贝叶斯风险为零）。考虑“特征集” {f（x）}，其中f（x）＝ 0。换句话说，我们将每个数据点表示为单个数字0，而忽略其真实位置和标签。结果，任何分类器都将失败，并将所有分类器归为一个类别的成员，因此获得50％的准确性（再次假设，每个类别中的样本数量相等）。现在考虑{g（x）}，其中g（x）= label（x）。换句话说，我们使用一些假想的预言机，它编码一个点作为其标签。通常，我们不能构造这样的g（这就是ML的全部含义），但是我们正在谈论存在，并且可以肯定地存在（假设贝叶斯风险为零）。因此，现在我们的分类器必须将点{-1}与点{1}进行区分（所有正样本都映射到+1，所有负样本都映射到-1），这是微不足道的，并且它将以100％的精度做到这一点。

这些都是“边界”案例，但这只是为了直觉。一切都取决于表示形式。一个可以（在某些方面！）比其他更好。没有严格的规则。有时在良好的表示形式中添加新特征可能会破坏其价值（例如由于维数的诅咒），有时甚至随机特征也会表现出色。有一个整体（近年来非常活跃）的研究领域，称为表示学习，我建议您对此进行一下了解。