关于支持向量机与核函数的问题

　　关于支持向量机与核函数的问题。我学习支持向量机有一段时间了，我想问一个很基本的问题，但是该问题好像一般书上并没有介绍。问题如下：如果原始空间中的两类样本线性不可分，一般书本上都介绍利用核函数将其映射到高维空间可以使其线性可分，我的疑惑是什么样的核函数能够使两类样本在高维空间中可分，比如对于高斯核函数，参数值取多大能使样本在高维空间中可分。有什么好的方法能确定合适的核参数值，使得原始空间中的两类线性不可分的样本，在高维特征空间中变得可分。
===有问必答===
核函数分为linear、polynomial、radial basis、和 sigmoid kernel function，他们的区别在于表达式和参数不一样（映射的函数不同），每个核函数都适合特定的数据，楼主可以查看一下这些核函数的表达式和适用的数据类型，去英文的中查看一下~！
----
呵呵，是呀是挺专业的问题 应该去专业版求助，或许帮助挺大
----
目前有很多方法去确定这些参数，但是比较经典常用的就是交叉验证(CV)也就是网格搜索。当然还有很多其他的从传统搜索到现代的智能仿生搜索，都有了。
----
数据复杂度各异，目前还没有理论说明哪类核函数一定能将某类数据映射到高维空间后必定可分。只能说在高维空间，数据的线性可分性有所提高。至于核函数的选择，个人以为，目前最靠谱的方法还是常用的CV下的网格搜索，因为参数对分类性能的影响常常线性而无任何规律，因此，有些人用仿生算法之类加以智能搜索，其实只是额外增加工作量而已。性信息并不明显。
----
楼主缺乏想象力，一对双胞胎一般人很难区分，但如果你了解了他们的生活习惯、动作习惯等差别，你是不是就能区分了？你对他们了解的越多就越容易区分