支持向量机（SVM）是一种用于分类和回归分析的监督学习模型，它可以通过核函数将输入数据映射到高维空间，从而更容易找到分类的超平面。下列选项中，所有选项都是常用的SVM核函数：

A: **Linear（线性核）**
B: **RBF（径向基函数核）**
C: **Sigmoid（S型核）**
D: **Polynomial（多项式核）**

### 专业分析

| 核函数 | 描述 |
|-------------|------------------------------------------------------------------------------------------------------------------------------------------------------------|
| **Linear** | 线性核是最简单的核函数，适用于线性可分的数据。线性核的计算效率高，适合特征维数很高的情况。 |
| **RBF** | 径向基函数核是最常用的核函数之一，在高维空间中有效地处理非线性关系。它能够将数据映射到一个无限维的特征空间，适用于大多数情况下的数据分类问题。 |
| **Sigmoid** | S型核函数类似于神经网络中的激活函数，尤其适用于神经网络的支持向量机。适合表现两类之间的关系，但通常效果不如RBF核稳健。 |
| **Polynomial** | 多项式核函数可以将输入空间映射到多项式空间，通过调节多项式的度来控制模型的复杂性，适合处理非线性数据。 |

### 总结
SVM的核函数通过不同的方式将低维特征映射到高维空间，帮助找到合适的超平面来做分类。选择合适的核函数取决于具体的数据集和问题特性。RBF核通常是一个不错的起点，因为其灵活性和良好的性能。线性核适合数据特征维度很高而样本量较小的情况。多项式核和Sigmoid核则根据问题的特定要求选用。