多项式核（Polynomial）和sigmoid核（Sigmoid）

### 多项式核（Polynomial Kernel）

多项式核是一种非线性核函数，它可以将原始输入空间映射到更高维度的空间，以便更好地拟合非线性关系。多项式核函数的一般形式定义如下：

\[ K(x, y) = (γ \cdot x^\top y + r)^d \]

其中：
- \( γ \) 是缩放系数，
- \( r \) 是截距参数，
- \( d \) 是多项式的阶数，
- \( x \) 和 \( y \) 分别表示两个输入样本。

#### 示例代码：

from sklearn.svm import SVC
from sklearn.datasets import make_moons

# 创建模拟数据集
X, y = make_moons(n_samples=100, noise=0.2)

# 使用多项式核的 SVM 模型
poly_kernel_svm = SVC(kernel='poly', degree=3)
poly_kernel_svm.fit(X, y)

# 打印模型参数
print('多项式核参数:', poly_kernel_svm.get_params())

### Sigmoid 核（Sigmoid Kernel）

Sigmoid 核也是一种非线性核函数，其形式与双曲正切函数相似：

\[ K(x, y) = \tanh(\gamma x^\top y + r) \]

这种核函数通常用于神经网络，但在支持向量机中很少使用，因为它可能导致可微分性较差以及对训练不稳定。

#### 示例代码：

from sklearn.svm import SVC

# 同样地，我们使用模拟数据集来展示 sigmoid 核的使用方式
sigmoid_kernel_svm = SVC(kernel='sigmoid')
sigmoid_kernel_svm.fit(X, y)

# 打印模型参数
print('Sigmoid 核参数:', sigmoid_kernel_svm.get_params())

---