svm.SVC非线性情况下的参数怎么查看

当你使用`svm.SVC()`在非线性模式下（例如通过传递一个核函数，如`kernel='poly'`, `'rbf'` 或 `'sigmoid'`等），SVC并不会像线性模式那样直接提供系数（weights）和截距（bias）。这是因为非线性SVM通过内核技巧将原始数据映射到了高维空间，使得原本线性不可分的问题变得线性可分。

在这种情况下，查看模型参数主要是关于以下几个方面：

1. **内核函数参数**：对于非标准的内核（如多项式、高斯径向基函数RBF或sigmoid等），你需要关注的是特定内核的参数。例如，`kernel='rbf'`中有`gamma`参数，它控制了RBF函数的宽度；`kernel='poly'`中有`degree`, `coef0` 和 `gamma` 参数，分别决定多项式的次数、常数项以及内核宽度。

   from sklearn.svm import SVC
   model = SVC(kernel='rbf', gamma='scale')  # 'scale' 使用1/n_features作为gamma的估计
   model.fit(X_train, y_train)
   print(model.get_params())

2. **内核矩阵**：虽然不是参数本身，但是你可以查看`model.kernel_matrix`来理解模型在高维空间中的决策结构，但这通常是内部使用的数值信息，不适合直接解读。

3. **支持向量**：非线性SVM同样依赖于支持向量（support vectors），这可以通过`model.support_vectors_`获取，它们是决定分类边界的实例。

4. **决策函数**：你可以通过`model.decision_function(X)`来观察每个样本在高维空间中的位置，尽管这不是参数，但能帮助理解模型决策过程。

需要注意的是，查看这些参数可以帮助你理解模型是如何工作的，但在许多情况下，由于内核函数的作用，我们不需要关心具体的系数或偏置。