支持向量机的核函数

支持向量机是建立在统计学习理论基础之上的新一代机器学习算法，支持向量机的优势主要体现在解决线性不可分问题，他通过引入和函数，巧妙地解决了在高维空间中的内积运算，从而很好的解决了非线性分类问题。

构造出一个具有良好性能的SVM，核函数的选择是关键，核函数的选择包括两部分工作：一是核函数类型的选择，二是确定核函数类型后相关参数的选择。因此如何根据具体的数据选择恰当的核函数是SVM应用领域遇到的一个重大难题，也成为科研工作者所关注的焦点，即便如此，却依然没有得到具体的理论或方法来指导核函数的选取。

1、经常使用的核函数

核函数的定义并不困难，根据泛函的有关理论，只要一种函数K(xi,yi)满足Mercer条件，他就对应某一变换空间的内积。对于判断哪些函数是核函数到目前为止也取得了重要的突破，得到Mercer定理和一下常用的核函数类型：

(1)线性核函数

K ( x , x i ) = x ⋅ x i

(2)多项式核函数

K ( x , x i ) =