- 变换预测（输入数据）到一个高维特征空间。这足以仅指定了这一步内核和数据从未明确地转化为特征空间。这个过程通常被称为核技巧。
- 解决二次优化问题，以适应的最佳超平面对变换的特征分成两大类。的转化的特征的数量是由支持向量的数目来确定。万博1manbetx
只从训练数据所选择万博1manbetx的支持向量需要构造判定表面。一旦被训练，训练数据的其余部分是无关紧要的。
与支持向量机采用流行的内核包括：
| SVM的类型 | Mercer核 | 描述 |
|---|---|---|
| 高斯或径向基函数（RBF） | \（K（X_1，X_2）= \ EXP \左（ - \压裂{\ | X_1 - X_2 \ | ^ 2} {2 \西格玛^ 2} \右）\） | 一类学习。\（\西格玛\）是内核的宽度 |
| 线性 | \（K（X_1，X_2）= X_1 ^ {\ mathsf【T}} X_2 \） |
两个班学习。 |
| 多项式 | \（K（X_1，X_2）= \左（X_1 ^ {\ mathsf【T}} X_2 + 1 \右）^ {\ RHO} \） |
\（\ RHO \）是多项式的阶 |
| 乙状结肠 | \（K（X_1，X_2）= \的tanh \左（\ beta_ {0} X_1 ^ {\ mathsf【T}} X_2 + \ beta_ {1} \右）\） |
这是某些\（\ beta_ {0} \）和\（\ beta_ {1} \）值的Mercer核只 |
欲了解更多关于如何适应支持向量机分类，见万博1manbetx统计和机器学习工具箱™与使用MATLAB®。
