SVC调参
在sklearn的SVC函数中，有两个非常重要的超参数：gamma和C
其中C = 1/alpha，C越大，表示正则化效果越弱，模型越复杂，容易过拟合；C越小，表示正则化效果越强，模型越简单，容易欠拟合；
gamma是kernel=‘rbf’时自带的参数，公式表现为????(????,????′)=exp [−????⋅ ||????−????′|| 2]，其中???? = 1/(2*sigma^2)，sigma为正态分布的参数
由下图可知：
当gamma增大时，sigma减小，高斯分布就会又高又窄，会造成只会作用于支持向量样本附近，对于未知样本分类效果很差，存在训练准确率可以很高，而测试准确率不高的可能，即过拟合；
当gamma太小时，sigma很大，高斯分布就会又矮又胖，会使得训练和测试准确率都不高，即欠拟合；
还有一点经验是：当gamma很大时，调整C几乎没有影响；当gamma很小，C控制正则化效果
下图是各个参数的比较：