核函式形式 k(x, y) = ，
其中 x, y 為 n 維，f 為 n 維到 m 維的對映，表示內積。
在用svm處理問題時，如果資料線性不可分，希望通過 將輸入空間內線性不可分的資料 對映到 乙個高維的特徵空間內，使資料在特徵空間內是線性可分的，這個對映記作 ϕ(x)，
之後優化問題中就會有內積 ϕi⋅ϕj，
這個內積的計算維度會非常大，因此引入了核函式，
kernel 可以幫我們很快地做一些計算, 否則將需要在高維空間中進行計算。
下表列出了 9 種核函式以及它們的用處和公式，常用的為其中的前四個：linear，polynomial，rbf，sigmoid
核函式用處
公式linear kernel
線性可分時，特徵數量多時，樣本數量多再補充一些特徵時，linear kernel可以是rbf kernel的特殊情況
polynomial kernel
image processing，引數比rbf多，取值範圍是(0,inf)
gaussian radial basis function (rbf)
通用，線性不可分時，特徵維數少 樣本數量正常時，在沒有先驗知識時用，取值在[0,1]
sigmoid kernel
生成神經網路，在某些引數下和rbf很像，可能在某些引數下是無效的
gaussian kernel
通用，在沒有先驗知識時用
通用，在沒有先驗知識時用
neural networks中用
bessel function of the first kind kernel
可消除函式中的交叉項
anova radial basis kernel
回歸問題
text categorization，回歸問題，處理大型稀疏向量
在 sklearn 中可以用 grid search 找到合適的 kernel，以及它們的 gamma，c 等引數，那麼來看看各 kernel 主要調節的引數是哪些：
核函式公式
調參linear kernel
polynomial kernel
-d：多項式核函式的最高次項次數，-g：gamma引數，-r：核函式中的coef0
gaussian radial basis function (rbf)
-g：gamma引數，預設值是1/k
sigmoid kernel
-g：gamma引數，-r：核函式中的coef0
其中有兩個重要的引數，即 c（懲罰係數） 和 gamma，
gamma 越大，支援向量越少，gamma 越小，支援向量越多。
而支援向量的個數影響訓練和**的速度。
c 越高，容易過擬合。c 越小，容易欠擬合。
SVM 的核函式選擇和調參
本文結構 1.什麼是核函式 2.都有哪些 如何選擇 3.調參 1.什麼是核函式 核函式形式 k x,y 其中 x,y 為 n 維，f 為 n 維到 m 維的對映，表示內積。12 在用svm處理問題時，如果資料線性不可分，希望通過 將輸入空間內線性不可分的資料 對映到 乙個高維的特徵空間內，使資料在特...
SVM核函式選擇
svm支援向量機，一般用於二分類模型，支援線性可分和非線性劃分。svm中用到的核函式有線性核 linear 多項式核函式pkf以及高斯核函式rbf。當訓練資料線性可分時，一般用線性核函式，直接實現可分 當訓練資料不可分時，需要使用核技巧，將訓練資料對映到另乙個高維空間，使再高維空間中，資料可線性劃分...
SVM 核函式的選擇
1 經常使用的核函式 核函式的定義並不困難，根據泛函的有關理論，只要一種函式k xi,x j 滿足mercer條件，它就對應某一變換空間的內積 對於判斷哪些函式是核函式到目前為止也取得了重要的突破，得到mercer定理和以下常用的核函式型別 1 線性核函式k x,x i x xi 2 多項式核k x...