请将上述代码中的线性核函数变为高斯核函数

### 回答1：
将SVC模型的kernel参数从'linear'改为'rbf'即可将线性核函数变为高斯核函数，修改后的代码如下：

import pandas as pd 
from sklearn.svm import SVC 
from sklearn.preprocessing import StandardScaler 
import numpy as np 
import matplotlib.pyplot as plt 

# 加载Excel表格数据 
path = "D:\Documents\Desktop\SVM试验数据库.xlsx" 
data = pd.read_excel(path) 

# 选择特征列和目标列 
X = data.iloc[:, 1:6].values 
y = data.iloc[:, 6].values 
y = (y == 3) * 1 

# 数据标准化 
scaler = StandardScaler() 
X_scaled = scaler.fit_transform(X) 

# 创建SVM分类器并训练模型 
svc_clf = SVC(kernel='rbf',C=1e9)  # 将kernel参数改为'rbf'
svc_clf.fit(X_scaled, y) 

# 画出SVM分类器的决策边界和训练数据的散点图 
def plot_svc_decision_boundary(svm_clf, xmin, xmax, sv=True): 
    x0 = np.linspace(xmin, xmax, 200) 
    x1 = np.linspace(xmin, xmax, 200) 
    xx, yy = np.meshgrid(x0, x1) 
    X = np.c_[xx.ravel(), yy.ravel()] 
    y_pred = svm_clf.predict(X).reshape(xx.shape) 
    plt.contourf(xx, yy, y_pred, cmap=plt.cm.brg, alpha=0.2) 
    if sv: 
        svs = svm_clf.support_vectors_ 
        plt.scatter(svs[:, 0], svs[:, 1], s=180, facecolors='none', edgecolors='k') 
    plt.xlim(xmin, xmax) 
    plt.ylim(xmin, xmax) 

plt.figure(figsize=(6, 4)) 
plot_svc_decision_boundary(svc_clf, -2, 2.5) 
plt.plot(X_scaled[:, 0][y == 1], X_scaled[:, 1][y == 1], 'bs') 
plt.plot(X_scaled[:, 0][y == 0], X_scaled[:, 1][y == 0], 'ys') 
plt.axis([-2, 2.5, -2, 2]) 
plt.show()

修改后的代码中，plot_svc_decision_boundary函数也进行了相应的修改，以适应高斯核函数的情况。

### 回答2：
要将上述代码中的线性核函数变为高斯核函数，我们需要引入高斯核函数的数学表达式和相应的参数。

高斯核函数（Gaussian Kernel）是一种常用的非线性核函数，其数学表达式为：
𝑘(𝑥,𝑥′)=𝑒𝑥𝑝(−(‖𝑥−𝑥′‖²)/(2𝜎²))

其中，𝑥和𝑥′分别表示两个样本点，‖𝑥−𝑥′‖表示两个样本点之间的欧氏距离，𝜎表示高斯核函数的参数，用来调节高斯分布的宽度。

在代码中，我们需要将线性核函数的部分替换为高斯核函数的计算：

def gaussian_kernel(X, xi, sigma = 1.0):
    m = X.shape[0]   # 样本个数
    n = X.shape[1]   # 特征维度
    K = np.zeros(m)  # 高斯核矩阵初始化
    
    for i in range(m):
        diff = X[i] - xi
        K[i] = np.exp(-np.dot(diff, diff) / (2 * sigma ** 2))
    
    return K

其中，参数sigma用于调节高斯核函数的分布宽度。通过计算样本点与其他样本点之间的欧氏距离，并将其代入高斯核函数的数学表达式中，即可得到样本点之间的高斯核矩阵。

这样，我们就成功将线性核函数变为高斯核函数，并通过调节sigma参数可以灵活地调节高斯核函数的宽度，以适应不同的数据分布特点。

### 回答3：
要将代码中的线性核函数变为高斯核函数，我们需要将核函数的定义进行修改。以高斯核函数为例，其数学表达式为：K(x,y) = exp(-gamma * ||x-y||^2)，其中gamma为高斯核函数的一个参数。

我们可以对原有代码进行修改，在核函数的定义中加入高斯核函数的计算方式。具体步骤如下：

1. 导入高斯核函数所需的库：from sklearn.metrics.pairwise import rbf_kernel

2. 修改核函数的定义：
- 将原来的核函数定义部分注释掉，例如：# clf = SVC(kernel='linear')
- 添加新的核函数定义，例如：clf = SVC(kernel=rbf_kernel, gamma=0.5)

3. 运行程序，观察模型训练和预测的效果。

以上是将线性核函数变为高斯核函数的基本步骤。需要注意的是，高斯核函数的性能在很大程度上依赖于gamma参数的选择，不同的gamma值可能会对结果产生很大的影响。因此，在实际使用中，我们需要对gamma进行适当的调参，以达到最优的效果。