对于线性SVM,分离超平面确实可以被计算出来并保存为模型。换句话说,使用线性SVM模型进行预测严格要求在输入空间中的超平面。许多专门的线性软件包正是这样做的(如LIBLINEAR、SVMPERF、PEGASOS等)。即使在使用线性SVM进行预测时不需要支持向量的知识,但了解支持向量仍然可能有各种用途。 当使用非线性内核预测SVM时,情况就大不相同了,因为分离超平面可能是无限维的(例如在使用RBF内核时)。在特征空间中计算超平面本身甚至可能是不可能的,但是通过支持向量和测试点之间的内核评估,可以计算特征空间中的超平面与测试点之间的内积。这就是所谓的“核技巧”。 大多数同时支持线性和非线性内核的通用软件包 tend to save all models in the same way (such as LIBSVM)。这意味着线性模型以与非线性模型相同的方式存储和评估。显然,对于线性SVM来说,这比它应该复杂得多。绝大多数人在训练线性SVM时都使用通用软件包而不是专门的线性软件包。这可能是许多人错误地认为使用线性SVM进行预测始终依赖于支持向量的原因。