svm支持向量机有什么核函数

支持向量机（SVM）是一种常用的机器学习算法，它可以用于分类和回归问题。SVM通过在特征空间中找到一个最优的超平面来进行分类或回归。在SVM中，核函数是一种重要的技术，它可以将数据从原始特征空间映射到一个更高维度的特征空间，从而使得数据在新的特征空间中更容易被线性分割。

常用的核函数有以下几种：
1. 线性核函数（Linear Kernel）：线性核函数是最简单的核函数，它将数据映射到原始特征空间，不进行任何变换。线性核函数适用于线性可分的数据集。
2. 多项式核函数（Polynomial Kernel）：多项式核函数将数据映射到一个高维的特征空间，并使用多项式函数来计算数据之间的相似度。多项式核函数适用于非线性可分的数据集。
3. 高斯核函数（Gaussian Kernel）：高斯核函数也称为径向基函数（Radial Basis Function，RBF），它将数据映射到一个无限维的特征空间，并使用高斯函数来计算数据之间的相似度。高斯核函数适用于非线性可分的数据集。
4. Sigmoid核函数（Sigmoid Kernel）：Sigmoid核函数将数据映射到一个无限维的特征空间，并使用Sigmoid函数来计算数据之间的相似度。Sigmoid核函数适用于非线性可分的数据集。

以上是常用的核函数，不同的核函数适用于不同类型的数据集。在实际应用中，选择合适的核函数是非常重要的，它会影响到SVM的分类或回归性能。