大家都知道，SVM如果在調參比較好的情況下，可以達到很好的分類效果，不過SVM也確實引數比較多，例如在這裡介紹的：

也有些朋友對調參過程做了比較詳細的解釋：

據網友介紹，SVM調參過程中應主要調kernel，C 和gamma，對於SKLearn，我們可以使用GridSearchCV對引數進行自動化搜尋，有網友對其使用方法進行了詳細介紹：

不過上面的部落格和教程都有些複雜，我這裡給出最簡單的示例：

from sklearn import svm
from sklearn.model_selection import GridSearchCV

svr = svm.SVC()
parameters = {'kernel':('linear', 'rbf'), 'C':[1, 2, 4], 'gamma':[0.125, 0.25, 0.5 ,1, 2, 4]}
clf = GridSearchCV(svr, parameters, scoring='f1')
clf.fit(X, y)
print('The parameters of the best model are: ')
print(clf.best_params_)
 

關於scoring這個引數，在這裡有更多的介紹：

我這裡用的是f1，其他的引數值可以參考這個表：