SVM核函式通常有四種： 
1. Linear 
2. Polynomial 
3. Gaussian (RBF) 
4. Sigmoid/Logistic 
不知為何，RBF最常用

• 一般情況下，給定隨意的資料集，你不知道該用什麼樣的核函式，通常先用簡單的對映方式，然後再一步步的複雜化。
• 如果資料集是線性可分的，用linear當然足夠；如果資料集線性不可分，這個核函式就顯然不行了

2-dimensions

• 為了描述簡單和視覺化，我們使用二維資料集 
  下圖是iris資料集使用linear的SVM分類器的分類結果 
   
  結果還不錯！下圖是iris資料集使用RBF的SVM分類器的分類結果 
  

OK，很顯然，兩種核函式都能讓我們接受，具有很強的說服力。這時候通常選擇簡單的那個，即線性核函式，因為不論是引數個數上還是複雜度上，還是對映計算上，線性核函式比RBF強，另外RBF可能會導致過擬合。

好吧，似乎上面說的對linear很有好感。但事實上，如果要一句話總結如何選擇核函式，那就是—dataset。毫無疑問，如果是下圖的資料，再用linear核函式，顯然是不行的。 
 
下面是RBF核函式的結果，很精妙！ 

告一段落

多項式核函式

• 在任何情況下，都很少用多項式核，效率不高，結果也不優於RBF
• 於是現在得到一個結論：線性可分時用linear，線性不可分時用RBF核。 
   
  事實上，更樸實一點的說法，RBF通過對映到高維的最終目標還是線性可分。