能否提供一个使用支持向量机（SVM）并展示不同核函数（如线性、多项式或径向基函数RBF）的实际例子，包括如何设置参数和解释其工作原理？

当然可以。支持向量机（SVM）是一种监督学习算法，用于分类和回归分析。它们通过找到最优超平面将数据分成不同的类别，这个超平面距离各个类别的样本最近。SVM的核心在于选择合适的核函数，它决定了如何度量样本之间的相似性。

以下是使用Python的Scikit-Learn库，通过一个简单的例子展示不同核函数：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

# 加载示例数据集（例如Iris）
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 数据预处理（标准化）
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3, random_state=42)

# 定义不同核函数的例子：
# 1. 线性核 (linear)
svm_linear = SVC(kernel='linear', C=1)  # C是正则化参数，越大对异常值越敏感
svm_linear.fit(X_train, y_train)

# 2. 多项式核 (polynomial)
svm_poly = SVC(kernel='poly', degree=3, C=1)  # degree指多项式的次数
svm_poly.fit(X_train, y_train)

# 3. 径向基函数核 (rbf, 高斯核)
svm_rbf = SVC(kernel='rbf', gamma='scale', C=1)  # gamma是高斯分布宽度，'scale'使其自动适应特征尺度
svm_rbf.fit(X_train, y_train)

# 对比模型性能
models = ['Linear SVM', 'Polynomial SVM', 'RBF SVM']
for model in models:
    print(f"{model} accuracy: {svm_linear.score(X_test, y_test)}")