使用sklearn简单进行SVM参数优选

SVM简单回顾 支持向量机（SVM）方法创建在统计学VC维和结构风险最小化原则上，试图寻找到一个具备最大分类间隔的超平面，支持向量（Support Vector）是支持向量机训练的结果，在进行分类或者回归时也只依赖支持向量。所以SVM具备良好的鲁棒性，对未知数据拥有很强的泛化能力，特别是在数据量较少的状况下，相较其余传统机器学习算法具备更优的性能。 对于样本数据线性不可分的状况，一般采用核方法，将

>>阅读原文<<