核函数是 支持向量机（SVM）中用于将数据从原始特征空间映射到高维特征空间的一种函数。通过核函数，可以在高维空间中更容易地找到数据的分隔超平面，从而简化了算法的实现，并在许多实际应用中显示出极大的灵活性和有效性。
核函数的主要特点是可以计算两个样本在高维空间中的内积，而无需显式地进行映射。这种方法被称为“核技巧”（Kernel Trick），它在计算上更为高效且节省内存。
在SVM中，核函数的选择对模型的性能有很大影响。常用的核函数包括线性核、多项式核、径向基核（RBF）和Sigmoid核等。每种核函数都有其独特的属性和适用场景，选择哪个核函数取决于具体的数据特性和问题需求。
例如，线性核适用于线性可分的数据，计算速度快；RBF核适用于各种类型的数据，应用广泛；多项式核适用于需要高阶映射的情况，但参数多，计算复杂；Sigmoid核实现一种多层神经网络的效果。
总之，核函数是SVM中一种强大的工具，通过将数据映射到高维空间，使得SVM能够处理复杂的非线性分类问题，并在许多实际应用中取得了良好的效果。