# 调整参数C，看看会有什么不同？ svc = SVC(kernel='linear',C=0.001) svc.fit(X=x,y=label) #根据拟合结果，找出超平面 w = svc.coef_[0] a = -w[0]/w[1] xx = np.linspace(5,30) yy = a * xx - (svc.intercept_[0])/w[1] #根据超平面，找到超平面的两条边界线 b = svc.support_vectors_[0] yy_down = a * xx + (b[1]-a*b[0]) b = svc.support_vectors_[-1] yy_up = a * xx + (b[1]-a*b[0]) #绘制超平面和边界线 #(1)绘制样本点的散点图 sns.lmplot(data=data,x='Sugar',y='Butter',hue='CakeType',palette='Set1',fit_reg=False,scatter_kws={'s':150}) #（2）向散点图添加超平面 from matplotlib import pyplot as plt plt.plot(xx,yy,linewidth=4,color='black') #（3）向散点图添加边界线 plt.plot(xx,yy_down,linewidth=2,color='blue',linestyle='--') plt.plot(xx,yy_up,linewidth=2,color='blue',linestyle='--')

参数C是SVM中的正则化参数，它控制着对误分类点的惩罚程度。当C较小时，容错率较高，模型会尽可能地将数据划分正确，但是可能会出现过拟合的情况；当C较大时，容错率较低，模型会更加关注分类的准确性，但是可能会出现欠拟合的情况。

在你提供的代码中，设置了C=0.001，相对于默认值1.0来说，容错率较高，模型会更容易出现欠拟合的情况。因此，当调整C的值时，我们需要通过交叉验证等方法来确定最优的C值，以达到最好的模型效果。