支持向量机可选核函数python

支持向量机（SVM）是一种强大的机器学习模型，它利用核函数将数据从原始空间映射到高维特征空间，使得线性不可分的数据在新空间中变得可分。Python中常用的SVM核函数包括：

1. **线性核** (linear): 它是最基础的核函数，直接计算输入样本之间的内积。在sklearn库中对应的函数是`kernel='linear'`。

2. **多项式核** (poly): 计算两个输入的多项式乘积，可以通过设置多项式的阶数（degree）调整复杂度。`kernel='poly'`，并指定`degree`参数。

3. **径向基函数（RBF）核** (gaussian, radial basis function, RBF): 最常用的一种非线性核，基于欧几里得距离，相当于对数据进行高斯平滑处理。`kernel='rbf'`。

4. **sigmoid核** (sigmoid): 类似于决策树中的决策边界，适用于二分类问题。`kernel='sigmoid'`。

5. **预定义自定义核** (`precomputed`): 如果已经有特征间的相似度矩阵，可以使用这个选项传递给SVM。`kernel=None`, `kernel_matrix`用于提供自定义核函数的结果。

在Python的scikit-learn库（sklearn.svm.SVC）中，你可以通过`kernel`参数选择不同的核函数。例如：

from sklearn import svm

# 使用RBF核
clf = svm.SVC(kernel='rbf')
# 或者使用多项式核，如 degree=3
clf = svm.SVC(kernel='poly', degree=3)