Los núcleos de funciones de base radial gaussiana son la función de núcleo más utilizada en inteligencia artificial para proporcionar los resultados óptimos en contraste con sus respectivos homólogos. Sin embargo, nuestra comprensión en torno a la utilización de estos en diferentes algoritmos de aprendizaje automático, como la regresión de núcleo, las máquinas de vectores de soporte y el reconocimiento de patrones a través de redes neuronales, es incompleta. Los resultados entregados por el Núcleo de Función de Base Radial Gaussiana Generalizada en las aplicaciones mencionadas anteriormente superan notablemente a los del Núcleo de Función de Base Radial Gaussiana, la función Sigmoidal y la función ReLU en términos de precisión y clasificación errónea. Este artículo proporciona una ilustración concreta de la utilización del Núcleo de Función de Base Radial Gaussiana Generalizada mencionado anteriormente. También ofrecemos una descripción explícita del espacio de Hilbert de núcleo reproductor al incrustar la Función de Base Radial Gaussiana Generalizada como una medida, que se utiliza en la implementación del análisis de máquina de vectores de soporte. Por último, proporcionamos la conclusión que extraemos de los experimentos empíricos considerados en el manuscrito junto con las posibles direcciones futuras en términos de descomposición espectral de la Función de Base Radial Gaussiana Generalizada.