選擇kernel function的時候，是根據能不能投影到linear separable feature space進行的嗎？
ANS: No，因為光是你自己的raw data(多維度)你都沒有辦法畫出raw data人眼看得的2D或是3D維度，就算真的找到適合你資料的kernel也很難畫出2D/3D的視覺圖出來，所以你也無法知道是不是可以進行linear separable feature space。

還是說，經驗上有一些常用的kernel function，都應該試一下，至於哪個能生成分離類別的多維空間，我們也不清楚，kernel僅用於嘗試不同投影?
ANS: 大部分的情況的確是常用的kernel function都應該試一下，然後找合適的(performance最好的)。我學長的研究有可以從自動算法找到最佳的合成kernel function/最適合參數，減少grid search找kernel的時間，可以參考一下。 http://www.powercam.cc/slide/9154

同一個kernel function，得到的投影函數是唯一的嗎？或者說如果固定維度數n，投影函數唯一嗎？
ANS: 參數固定，應該是唯一；但假設RBF kernel的gamma一直調整，那特徵空間就會一直跟著變換。這也是SVM強大的地方，參數換一下資料的特徵間就不同，所以可以用不同方法試著找到適合你這組資料特性的特徵空間。

我看書一直說kernel的好處是減少計算量，因為兩個投影函數的內積比計算kernel的複雜度低。然後上面的例子是找了map function， 但理想情況應該是避免這個操作？
ANS: 因為我們無法有效直接找到投影函數( φ)，所以直接用kernel來取代投影函數( φ)，所以kernel的計算的確比投影函數( φ)來的少。找map function只是為了視覺呈現kernel在參數固定下怎麼解決非線性問題，實際上鮮少有人在做SVM在多維度下找map function。

是不是model/classifier可以用kernel function表示（data-based model form), 所以才顯出kernel的優勢來？
ANS: 是，所以十幾年前的研究有很多基於kernel發展的分類器/特徵萃取法。(為什麼說十幾年，因為這幾年我都沒有在看SVM的發展)