支持向量机（SVM）是机器学习中的经典算法之一，而核函数则是其核心所在！核函数的作用在于将低维空间中的非线性问题映射到高维空间中，使其变得可分。那么，SVM的默认核函数是什么呢？🤔

默认情况下，SVM使用的是线性核函数（Linear Kernel）。简单来说，线性核函数就是不进行任何复杂的特征映射，直接用原始特征计算点积。这使得它在处理线性可分的数据时效率极高，同时也避免了过拟合的风险。然而，当你的数据不是线性分布时，可以尝试其他核函数，比如常见的高斯径向基核函数（RBF Kernel）。它通过引入一个参数γ来调整不同特征的重要性，从而更好地捕捉复杂关系。🌟

除了线性和RBF核，SVM还支持多项式核和Sigmoid核，但它们的应用场景相对较少。选择合适的核函数需要结合具体问题和数据特点，才能让模型发挥最大效能哦！🚀

💡 小贴士：在实际应用中，可以通过交叉验证调整核函数及参数，找到最适合你数据集的表现最优方案！💪