手动实现SVM三种核函数需注意：线性核为点积；多项式核默认coef0=1；RBF核应直接算差的平方和而非先开方再平方；预计算核矩阵训练时为n×n方阵，预测时为m×n非方阵；gamma需标准化数据后在0.001~10间对数搜索。
怎么手动实现 SVM 的三种核函数（线性/多项式/RBF）
直接写 sklearn.svm.SVC 是最省事的，但如果你要调试核函数行为、画决策边界、理解支持向量怎么被映射，就得自己手写核计算逻辑。关键不是“能不能写”，而是“写完能不能和 sklearn 对齐”——很多人的自定义核跑出来结果离谱，问题常出在参数默认值或广播维度上。
三个核的核心区别在于输入向量对 x_i 和 x_j 的相似度计算方式：
- 线性核：
np.dot(x_i, x_j)，就是原始空间的内积 - 多项式核：
(gamma * np.dot(x_i, x_j) + coef0) ** degree，注意coef0默认是 1，不是 0 - RBF 核：
np.exp(-gamma * np.linalg.norm(x_i - x_j) ** 2)，等价于np.exp(-gamma * pairwise_distances_sq(x_i, x_j))，别手算欧氏距离再开方再平方——直接用差的平方和更稳
为什么自定义核传给 SVC(kernel='precomputed') 总报错 shape 不匹配
预计算核矩阵必须是方阵，且第 i 行第 j 列对应训练样本 X[i] 和 X[j] 的核值。最容易漏的是：测试时你也得算「测试点 vs 全部训练点」的核值，不是「测试点之间」的。
常见错误现象：ValueError: X.shape[1] != n_features_in_ 或训练能过、预测崩。根本原因是没按 SVC 的预期构造 gram_matrix：
- 训练阶段：传入
n_samples × n_samples的对称矩阵，行/列索引都对应X_train的样本序号 - 预测阶段：传入
n_test × n_train的非方阵，每行是某测试样本对全部训练样本的核值 - 别用
scipy.spatial.distance.pdist，它只输出上三角；要用sklearn.metrics.pairwise.pairwise_kernels(X, metric='rbf', gamma=...)或手动双循环（小数据够用）
RBF 核的 gamma 值怎么调才不爆炸也不失效
gamma 不是越大越好。太小（如 1e-5）会让所有样本核值趋近 1，决策边界变直线；太大（如 100）会让核矩阵接近单位阵，每个样本只“认识自己”，严重过拟合。
让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限
实际中 gamma 的合理范围高度依赖数据尺度。如果没做标准化，X 各维度量纲差异大，gamma 会非常敏感：
- 先做
StandardScaler().fit_transform(X)，再试gamma在0.001 ~ 10之间 - 用
sklearn.model_selection.GridSearchCV时，别只扫固定步长，用np.logspace(-3, 2, 10)更靠谱 - 注意：sklearn 默认
gamma='scale'，即1 / (n_features * X.var())，不是'auto'（旧版），这个默认值本身已隐含了缩放假设
画决策边界时，RBF 核的等高线为啥总歪成一坨
不是核函数写错了，大概率是网格点分辨率不够或坐标范围太窄。RBF 的响应是非线性的、局部敏感的，边界可能藏在两个样本点之间的缝隙里。
实操建议：
- 网格步长别用
0.1这种整数，改用np.linspace(X.min(), X.max(), 200)，保证覆盖全范围 - 预测前务必用和训练时**同一套 scaler** 变换网格点坐标，否则核值计算基准错乱
- 别直接画
svc.predict()的离散结果，先用svc.decision_function()得到连续分值，再用plt.contour画等高线（levels=[0]就是决策边界） - 如果边界看起来“抖动”，检查是否用了
probability=True并调了decision_function_shape='ovr'——这会影响分值标度
真正麻烦的是：核函数本身不显式给出映射 φ(x)，你看到的边界是高维空间里超平面的原像。所以哪怕公式写对了，图像也可能反直觉——这不是 bug，是 RBF 本色。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
