如何在Scikit-learn中使用RBF核（gamma设置为'auto'）的SVC分类器并确保其参数设置正确无误？

在Scikit-learn中，使用RBF（高斯径向基函数）核的SVC（支持向量机分类器）非常直观。当你想让SVC自动选择合适的gamma值（通常是基于样本数），可以设置`gamma='auto'`。以下是完整的代码示例：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

# 加载数据集，这里假设是iris数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 数据预处理，对特征进行标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

# 定义RBF SVM分类器，gamma设置为'auto'
svc_rbf = SVC(kernel='rbf', gamma='auto')

# 训练模型
svc_rbf.fit(X_train, y_train)

# 测试模型
accuracy = svc_rbf.score(X_test, y_test)
print("Accuracy with RBF kernel and automatic gamma:", accuracy)

# 参数检查（如果需要）
print("Model parameters:")
for param_name, param_value in svc_rbf.get_params().items():
    print(f"{param_name}: {param_value}")