支持向量机是一种基于统计学习的二分类模型，其核函数的选择对模型的性能有着重要的影响。一般而言，核函数的选择应该考虑以下几个方面：
数据类型：数据类型的不同会影响核函数的选择。如果数据是线性可分的，可以使用线性核函数；如果数据是非线性的，可以使用多项式核函数或者高斯径向基核函数。
计算复杂度：核函数的计算复杂度会影响模型的训练和预测效率。一般而言，线性核函数的计算复杂度最低，高斯径向基核函数的计算复杂度最高。
模型泛化能力：核函数的选择对模型的泛化能力也有影响。一般而言，高斯径向基核函数的泛化能力比较强，但是容易过拟合；而线性核函数的泛化能力相对较弱，但是容易解释。
实际应用：实际应用中，核函数的选择还要考虑到具体的问题和数据特点。有些问题可能需要更加复杂的核函数，有些问题可能需要更加简单的核函数。
因此，核函数的选择应该综合考虑以上因素，并进行实验验证。可以通过交叉验证等方法来选择最优的核函数。
参考文献：[1] Burges C J C. A tutorial on Support Vector machines for Pattern recognition[J]. Data mining and Knowledge discovery, 1998, 2(2): 121-167.[2] Bishop C M. Pattern recognition and Machine learning[M]. springer, 2006.