高斯核函數，也叫做徑向基函數（Radial Basis Function，簡稱RBF），是一種常用的機器學習算法中的核函數。在Python中，使用高斯核函數的方法通常與支持向量機（Support Vector Machine，簡稱SVM）相關聯。支持向量機是一種用于二分類和多分類問題的機器學習算法，其原理基于將數據集置于高維空間中，并找到一個最大邊距的超平面以進行分類。

def gaussian_kernel(x, y, sigma=2):
return np.exp(-np.linalg.norm(x-y)**2 / (2 * (sigma ** 2)))
x1 = np.array([1,2,3])
x2 = np.array([4,5,6])
print(gaussian_kernel(x1, x2)) #輸出0.0029150244650281943

如上述代碼所示，sigmoid核函數的公式為。其中，x和y分別是兩個向量，sigma是高斯函數的帶寬參數。在這個例子中，x1和x2分別是兩個長度為3的向量，帶寬參數默認為2。運行結果表明，這兩個向量的高斯核函數的值為0.0029150244650281943。

對于支持向量機來說，高斯核函數也是一個重要的參數。通過調整帶寬參數可以優化支持向量機的性能，并在特定的數據集上獲得更好的分類準確率。通過學習高斯核函數，可以更深入地了解支持向量機，對機器學習和數據科學的學習和應用會有很大的幫助。