SVC(kernel='linear', C=1E10)训练得到的超平面参数在哪里

在Scikit-Learn的SVC（Support Vector Classifier）模型中，当使用`kernel='linear'`并且设置非常大的C值（如`C=1E10`）时，它实际上会选择硬间隔（hard margin），这意味着模型会试图找到一个最大化边距（margin）的线性超平面，而不是允许一些样本落在边界上（soft margin）。

在这样的情况下，SVC模型训练结束后，并不会直接返回每条特征对应的权重或系数，因为线性SVM通常不是通过最小化代价函数求解的。相反，它会存储支持向量（support vectors），即那些位于最大边界的样本点。对于线性可分的数据，支持向量的数量相对较少，它们决定了超平面的方向。

如果你需要获得超平面的具体参数（比如决策边界），可以尝试以下操作：

# 训练模型
clf = svm.SVC(kernel='linear', C=1e10)
clf.fit(X_train, y_train)

# 获得支持向量
support_vectors = clf.support_vectors_

# 确定超平面方向，如果有多维度，那么会有一个向量表示方向
w = clf.coef_[0]  # 如果只有一个特征，这是二维的；如果有多个特征，这是矩阵

# 分割超平面的偏置项（假设y是正类，负类对应的是-b * w + b）
b = clf.intercept_[0]

这里`coef_`给出了每个特征对超平面的影响，`intercept_`则是偏置项。注意，在实际应用中，直接从SVC获取到的支持向量和超平面参数并不常用，因为它们往往只适用于线性模型。