189 8069 5689
看具体的数据，如果特征向量的维度跟训练数据的数量差不多的话建议选线性的，否则的话试试高斯核吧
目前创新互联建站已为上千多家的企业提供了网站建设、域名、网页空间、成都网站托管、企业网站设计、乌什网站维护等服务，公司将坚持客户导向、应用为本的策略，正道将秉承"和谐、参与、激情"的文化，与客户和合作伙伴齐心协力一起成长，共同发展。
在使用支持向量机(SVM)进行回归分析时, 数据标准化是很重要的.
SVM 中的核函数是基于输入数据点之间的距离来定义的，如果数据点之间的距离是不一致的，那么核函数的结果就会受到影响。标准化可以确保所有特征在相同尺度上进行计算，避免因为某些特征取值范围过大而导致其他特征被忽略。
因此, 在使用SVM进行回归分析时, 应该对数据进行标准化，比如使用StandardScaler类对数据进行标准化。这样做可以使模型的预测更加准确。
kde(kernel density estimation)是核密度估计。核的作用是根据离散采样，估计连续密度分布。
如果原始采样是《阴阳师》里的式神，那么kernel（核函数）就相当于御魂。
假设现在有一系列离散变量X = [4, 5, 5, 6, 12, 14, 15, 15, 16, 17],可见5和15的概率密度应该要高一些，但具体有多高呢？有没有三四层楼那么高，有没有华莱士高？如果要估计的是没有出现过的3呢？这就要自己判断了。
核函数就是给空间的每个离散点都套上一个连续分布。最简单的核函数是Parzen窗，类似一个方波：
这时候单个离散点就可以变成区间，空间或者高维空间下的超立方，实质上是进行了升维。
设h=4，则3的概率密度为：
(只有4对应的核函数为1，其他皆为0)
kernel是非负实值对称可积函数，表示为K，且一本满足：
这样才能保证cdf仍为1。
实际上应用最多的是高斯核函数(Gaussian Kernel)，也就是标准正态分布。所谓核密度估计就是把所有离散点的核函数加起来，得到整体的概率密度分布。核密度估计在很多机器学习算法中都有应用，比如K近邻、K平均等。
在支持向量机里，也有“核”的概念，同样也是给数据升维，最常用的还是高斯核函数，也叫径向基函数(Radial Basis Funtion)。
seaborn.kdeplot内置了多种kerne，总有一款适合你。
这个和用不用python没啥关系，是数据来源的问题。 调用淘宝API，使用 api相关接口获得你想要的内容，我 记得api中有相关的接口，你可以看一下接口的说明。 用python做爬虫来进行页面数据的获龋。