本题考察SVM核方法对可解释性的影响。 选项D正确：对于线性SVM（Linear Kernel），我们可以直接查看 w（coef_）来判断特征重要性。但对于RBF核，映射函数 \phi(x) 将数据映射到了无限维的希尔伯特空间，权重 w 存在于该无限维空间中，无法在原始的有限维特征空间中表示。因此，sklearn 中非线性核的SVM是不提供 coef_ 属性的。要解释此类模型，必须使用“模型无关（Model-Agnostic）”的解释工具，如SHAP。 选项A错误：这仅适用于线性SVM。 选项B错误：支持向量是样本，不是特征权重的直接度量，且支持向量在正负样本边界附近，取均值没有物理意义。 选项C错误：RBF映射通常是不可逆的，且无限维无法显式表达。