使用sklearn簡單進行SVM參數優選

SVM簡單回顧 支持向量機（SVM）方法創建在統計學VC維和結構風險最小化原則上，試圖尋找到一個具備最大分類間隔的超平面，支持向量（Support Vector）是支持向量機訓練的結果，在進行分類或者回歸時也只依賴支持向量。所以SVM具備良好的魯棒性，對未知數據擁有很強的泛化能力，特別是在數據量較少的狀況下，相較其餘傳統機器學習算法具備更優的性能。 對於樣本數據線性不可分的狀況，一般採用核方法，將

>>阅读原文<<