python代码如何改变支持向量机的参数值

在Python中，使用Scikit-learn库（sklearn.svm.SVC）来训练和支持向量机（SVM），你可以通过`SVC`类的构造函数或`GridSearchCV`等工具调整其参数。常见的 SVM 参数包括：

1. `C`: 正则化系数，用于控制模型复杂度，默认为1.0。越大，模型越倾向于找到较复杂的决策边界；越小，模型更简单。

2. `kernel`: 决策边界的形状，如“linear”（线性）、"poly"（多项式）、"rbf"（径向基函数，也称高斯核）、"sigmoid"（sigmoid核）等。

3. `gamma`: 对于RBF、sigmoid等内积核，它控制了特征映射后的数据点之间的距离。默认值可以是‘auto’，也可以直接设置数值。

4. `degree`: 对于多项式核，“degree”指定多项式的次数。

例如，创建一个简单的SVM并尝试一些不同的参数值，可以这样做：

from sklearn import svm

# 创建SVM实例，设置初始参数
clf = svm.SVC(C=1.0, kernel='rbf', gamma='auto')

# 调整参数
param_grid = {'C': [0.1, 1, 10], 'kernel': ['linear', 'poly', 'rbf'], 'gamma': ['scale', 'auto']}

# 使用GridSearchCV寻找最佳参数组合
grid_search = GridSearchCV(svm.SVC(), param_grid, cv=5)
grid_search.fit(X_train, y_train)

# 获取最佳参数
best_params = grid_search.best_params_
print("Best parameters found:", best_params)

# 使用最佳参数训练模型
best_clf = svm.SVC(**best_params)
best_clf.fit(X_train, y_train)

在上面的例子中，`X_train` 和 `y_train` 分别是训练数据集的特征和标签。执行完上述代码后，你就得到了一个优化过的SVM模型。