支持向量机超参数范围

支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，它在分类和回归问题中都有广泛的应用。SVM的性能很大程度上依赖于超参数的选择。下面是支持向量机常见的超参数及其范围介绍：

1. C（惩罚参数）：C是SVM中的一个重要超参数，控制着错误分类样本的惩罚程度。较小的C值会导致容忍更多的错误分类，而较大的C值会导致更严格的错误分类惩罚。通常C的取值范围为正实数。

2. kernel（核函数）：核函数用于将输入空间映射到高维特征空间，从而使得样本在高维空间中更容易线性可分。常见的核函数有线性核、多项式核、高斯核等。

3. gamma（核函数参数）：gamma是高斯核和多项式核函数的一个参数，控制了数据点对模型的影响范围。较小的gamma值会导致影响范围较大，较大的gamma值会导致影响范围较小。通常gamma的取值范围为正实数。

4. degree（多项式核函数的次数）：degree是多项式核函数的一个参数，控制了多项式核函数的次数。较小的degree值会导致模型更简单，较大的degree值会导致模型更复杂。通常degree的取值范围为正整数。

5. coef0（多项式核函数和sigmoid核函数的参数）：coef0是多项式核函数和sigmoid核函数的一个参数，控制了高次项和低次项对模型的影响程度。通常coef0的取值范围为实数。

以上是支持向量机常见的超参数及其范围介绍。