Kernels pour SVM

Bonjour,

Je me pose quelques questions relatives aux kernels des SVM. Je me trouve dans un cas ou les kernels habituels (linéaire, radial, etc.) me semblent assez mal adaptés et j'ai donc décidé d'en implémenter un plus compatible avec mes données. En gros, chaque vecteur est fait de plusieurs plus petit vecteurs mis bout-a-bout qui ont des propriétés et poids différents (il me semble donc logique qu'un kernel linéaire n'arrivera pas a en tirer parti).
Mon problème est que j'ai du mal a comprendre ce qu'est censé retourner le kernel. Est-ce une distance ? Une similarité ? Autre chose ? Pour le moment, je lui ai fait calculer la similarité (en tirant parti des propriétés de mes données) et je me retrouve avec des résultats déjà meilleurs, mais je me demande quand même si je ne fais pas fausse route (ça me semble un poil trop simple pour être correct :aie:).
J'aimerai donc avoir quelques informations sur les kernels, si possible sans trop de jargon mathématique (qui m’empêche de comprendre les subtilités de la chose dans la plupart des publications que j'ai pu voir sur le sujet).

Merci d'avance.