核函数
Linear Kernel
线性核是最简单的核函数，核函数的数学公式如下：
Polynomial Kernel
多项式核实一种非标准核函数，它非常适合于正交归一化后的数据，其具体形式如下：
这个核函数是比较好用的，就是参数比较多，但是还算稳定。
Gaussian Kernel
这里说一种经典的鲁棒径向基核，即高斯核函数，鲁棒径向基核对于数据中的噪音有着较好的抗干扰能力，其参数决定了函数作用范围，超过了这个范围，数据的作用就“基本消失”。高斯核函数是这一族核函数的优秀代表，也是必须尝试的核函数，其数学形式如下：
虽然被广泛使用，但是这个核函数的性能对参数十分敏感，以至于有一大把的文献专门对这种核函数展开研究，同样，高斯核函数也有了很多的变种，如指数核，拉普拉斯核等。
Exponential Kernel
指数核函数就是高斯核函数的变种，它仅仅是将向量之间的L2距离调整为L1距离，这样改动会对参数的依赖性降低，但是适用范围相对狭窄。其数学形式如下：
Laplacian Kernel
拉普拉斯核完全等价于指数核，唯一的区别在于前者对参数的敏感性降低，也是一种径向基核函数。
Sigmoid Kernel
Sigmoid 核来源于神经网络，现在已经大量应用于深度学习，是当今机器学习的宠儿，它是S型的，所以被用作于“激活函数”。关于这个函数的性质可以说好几篇文献，大家可以随便找一篇深度学习的文章看看。
ANOVA Kernel
ANOVA 核也属于径向基核函数一族，其适用于多维回归问题，数学形式如下：
Rational Quadratic Kernel
二次有理核完完全全是作为高斯核的替代品出现，如果你觉得高斯核函数很耗时，那么不妨尝试一下这个核函数，这个核函数作用域虽广，但是对参数十分敏感。
Multiquadric Kernel
多元二次核可以替代二次有理核，它是一种非正定核函数。
Inverse Multiquadric Kernel
逆多元二次核来源于多元二次核，基于这个核函数的算法，不会遇到核相关矩阵奇异的情况。
Circular Kernel
Spherical Kernel
Wave Kernel
适用于语音处理场景。
Triangular Kernel
三角核函数，数学公式如下：
Log Kernel
对数核一般在图像分割上经常被使用，数学形式如下：
Spline Kernel
Bessel Kernel
Cauchy Kernel
柯西核来源于神奇的柯西分布，与柯西分布相似，函数曲线上有一个长长的尾巴，说明这个核函数的定义域很广泛，言外之意，其可应用于原始维度很高的数据上。
Chi-Square Kernel
卡方核，其来源于卡方分布，数学形式如下：
这个核函数基于的特征不能够带有赋值，否则性能会急剧下降，如果特征有负数，那么就用下面这个形式：
Histogram Intersection Kernel
直方图交叉核在图像分类里面经常用到，比如说人脸识别，适用于图像的直方图特征，例如extended LBP特征其数学形式如下，形式非常的简单
Generalized Histogram Intersection
广义直方图交叉核就是上述核函数的拓展，形式如下：
Generalized T-Student Kernel
TS核属于mercer核，其数学形式如下:
