本文主要是介绍svm 超参数，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
https://www.cnblogs.com/ChevisZhang/p/12932674.html
https://wenku.baidu.com/view/b8a2c73cfd4733687e21af45b307e87100f6f861.html?wkts=1718332423081&bdQuery=svm%E7%9A%84%E8%B6%85%E5%8F%82%E6%95%B0
用交叉验证找到最好的参数 C 和γ 。使用 RBF 核时，要考虑两个参数 C 和γ 。因为参数的选择并没有一定的先验知识，必须做某种类型的模型选择（参数搜索）。目的是确定好的(C,γ)使得分类器能正确的预测未知数据（即测试集数 据），有较高的分类精确率。值得注意的是得到高的训练正确率即是分类器预测类标签已知的训练数据的正确率）不能保证在测试集上具有高的预测精度。因此，通 常采用交叉验证方法提高预测精度。k 折交叉验证（k-fold cross validation）
C为惩罚系数，C越大，对误差越重视，容易overfitting，C越小，对误差惩罚小，容忍大，越偏向soft margin
gamma大，会比较小，会使高斯分布又瘦又长，会存在overffting
这篇关于svm 超参数的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
