核函數：
實際應用中，我們經常遇到數據線性不可分問題，可將數據從低維空間映射到高維空間，使數據在高維空間線性可分，之後在優化時需要計算內積，複雜度很高。這個時候就可以使用核函數，而核函數準確地說是一種核技巧，它也是從低維到高維的一種轉換，但是卻避免了直接在高維空間中進行復雜計算，可以在低維上進行計算，但實質上卻能將分類效果表現在高維上，從而能夠簡便地解決非線性問題。
SVM核函數的選擇：
吳恩達老師老師的建議：
1、當樣本特徵數目遠遠大於樣本數量時，特徵維度已經夠高，這個時候往往數據線性可分，可考慮使用線性核函數。
2、當樣本數量一般，樣本特徵維度也不高時，可以考慮高斯核
3、當樣本數量較多，樣本特徵較少時，可考慮人工增加一些特徵，使樣本線性可分，然後再考慮使用線性核函數的SVM或者LR.