当SVM算法分别使用以下三组待测参数来选择超参数，结果为什么不一样（1）'kernel': ['linear'] 'C': [1,10,100,300] (2): 'kernel': ['poly'] 'degree': [i for i in range(1,10)] (3): 'kernel': ['rbf'] 'gamma': [0.1,1.0,10,100]

这是因为不同的超参数会对算法的性能产生不同的影响。具体来说：

1. 在使用线性核函数时，C是惩罚系数，用于控制分类器的错误分类程度。C越大，模型越强调对所有样本的分类正确性，但有可能导致模型对噪声数据过度拟合。因此，C的取值会影响模型的泛化能力和训练时间。

2. 在使用多项式核函数时，degree是多项式的次数。degree越大，模型越复杂，但也可能导致过拟合。因此，degree的取值会影响模型的复杂度和泛化能力。

3. 在使用高斯核函数时，gamma是高斯函数的宽度参数，控制了相邻样本点在特征空间中的影响程度。gamma越小，相邻点的影响越远，模型越简单，但也可能导致欠拟合。因此，gamma的取值会影响模型的复杂度和泛化能力。

因此，选择合适的超参数对于模型的性能非常重要。不同的数据集和问题可能需要不同的超参数选择方法，需要根据实际情况进行选择。