机器学习基础（二十九）—— 径向基核函数（RBF）

尽管最佳核函数的选择一般与问题自身有关，但对普遍问题还是有规律可循的，建议初学者在通常情况下，优先考虑径向基核函数（RBF）：

K(x,y)=exp(−γ∥x−y∥2)

主要基于以下考虑：

• （1）作为一种对应于非线性映射的核函数，RBF 能够处理非线性可分的问题

• （2）线性核函数时 RBF 核函数的一种特例，即通过适当地选择参数 (γ,C) ，RBF 核函数总可以得到与错误代价参数 C 的线性核函数相同的效果，反之当然不成立

• （3）在选择某些参数的情况下，Sigmoid 核函数 K(x,y)=tanh(bxTy−c) 的行为也类似于 RBF 核函数，而且选择 Sigmoid 核函数就有 2 个与之有关的参数 b、c 需要确定。

• （4）多项式核函数需要计算内积，而这有可能产生溢出之类的计算问题。