核函數
Linear Kernel
線性核是最簡單的核函數，核函數的數學公式如下：
Polynomial Kernel
多項式核實一種非標准核函數，它非常適合於正交歸一化后的數據，其具體形式如下：
這個核函數是比較好用的，就是參數比較多，但是還算穩定。
Gaussian Kernel
這里說一種經典的魯棒徑向基核，即高斯核函數，魯棒徑向基核對於數據中的噪音有着較好的抗干擾能力，其參數決定了函數作用范圍，超過了這個范圍，數據的作用就“基本消失”。高斯核函數是這一族核函數的優秀代表，也是必須嘗試的核函數，其數學形式如下：
雖然被廣泛使用，但是這個核函數的性能對參數十分敏感，以至於有一大把的文獻專門對這種核函數展開研究，同樣，高斯核函數也有了很多的變種，如指數核，拉普拉斯核等。
Exponential Kernel
指數核函數就是高斯核函數的變種，它僅僅是將向量之間的L2距離調整為L1距離，這樣改動會對參數的依賴性降低，但是適用范圍相對狹窄。其數學形式如下：
Laplacian Kernel
拉普拉斯核完全等價於指數核，唯一的區別在於前者對參數的敏感性降低，也是一種徑向基核函數。
Sigmoid Kernel
Sigmoid 核來源於神經網絡，現在已經大量應用於深度學習，是當今機器學習的寵兒，它是S型的，所以被用作於“激活函數”。關於這個函數的性質可以說好幾篇文獻，大家可以隨便找一篇深度學習的文章看看。
ANOVA Kernel
ANOVA 核也屬於徑向基核函數一族，其適用於多維回歸問題，數學形式如下：
Rational Quadratic Kernel
二次有理核完完全全是作為高斯核的替代品出現，如果你覺得高斯核函數很耗時，那么不妨嘗試一下這個核函數，這個核函數作用域雖廣，但是對參數十分敏感。
Multiquadric Kernel
多元二次核可以替代二次有理核，它是一種非正定核函數。
Inverse Multiquadric Kernel
逆多元二次核來源於多元二次核，基於這個核函數的算法，不會遇到核相關矩陣奇異的情況。
Circular Kernel
Spherical Kernel
Wave Kernel
適用於語音處理場景。
Triangular Kernel
三角核函數，數學公式如下：
Log Kernel
對數核一般在圖像分割上經常被使用，數學形式如下：
Spline Kernel
Bessel Kernel
Cauchy Kernel
柯西核來源於神奇的柯西分布，與柯西分布相似，函數曲線上有一個長長的尾巴，說明這個核函數的定義域很廣泛，言外之意，其可應用於原始維度很高的數據上。
Chi-Square Kernel
卡方核，其來源於卡方分布，數學形式如下：
這個核函數基於的特征不能夠帶有賦值，否則性能會急劇下降，如果特征有負數，那么就用下面這個形式：
Histogram Intersection Kernel
直方圖交叉核在圖像分類里面經常用到，比如說人臉識別，適用於圖像的直方圖特征，例如extended LBP特征其數學形式如下，形式非常的簡單
Generalized Histogram Intersection
廣義直方圖交叉核就是上述核函數的拓展，形式如下：
Generalized T-Student Kernel
TS核屬於mercer核，其數學形式如下:
