在支持向量機(jī)(以下簡稱SVM)的核函數(shù)中，高斯核(以下簡稱RBF)是最常用的，從理論上講， RBF一定不比線性核函數(shù)差，但是在實(shí)際應(yīng)用中，卻面臨著幾個(gè)重要的超參數(shù)的調(diào)優(yōu)問題。如果調(diào)的不好，可能比線性核函數(shù)還要差。所以我們實(shí)際應(yīng)用中，能用線性核函數(shù)得到較好效果的都會選擇線性核函數(shù)。如果線性核不好，我們就需要使用RBF，在享受RBF對非線性數(shù)據(jù)的良好分類效果前，我們需要對主要的超參數(shù)進(jìn)行選取。本文我們就對scikit-learn中 SVM RBF的調(diào)參做一個(gè)小結(jié)。
1. SVM RBF 主要超參數(shù)概述
如果是SVM分類模型，這兩個(gè)超參數(shù)分別是懲罰系數(shù)C
