SVM系列目录：
支持向量机SVM③——通过4种核函数进行波斯顿房价回归预测
支持向量机SVM②——文本分类实战（SVM&KNN&贝叶斯&决策树）
本来想先写一篇支持向量机的原理篇，结果在白天钻研，晚上做梦都在思考的2周后，还是没有搞太明白，实在是见识到了人类智慧的博大精深和自我的渺小。因此我还是先从应用下手，先用到慢慢体会好了。本篇主要介绍sklearn库的svm的分类和回归参数，其中重点介绍四大核函数的参数。
之前在未调参的情况下将svm和决策树、贝叶斯进行了分类对比，发现训练器分数巨低，且训练过程时间是真的长，长到怀疑人生。所以想要SVM用得好，会调参真的是很重要，很重要，很重要！！！（
文末有大礼赠送
）
一、分类
二、回归
SVM回归算法库的重要参数大部分和分类算法库类似，因此这里重点讲述和分类算法库不同的部分
三、参数注意事项
①对训练数据和测试数据最好都做归一化
②如果特征非常多，或者样本数远少于特征数时，数据更偏向线性可分，用线性核函数效果就会很好
③优先选择线性核函数，如果拟合不好同，再推荐默认的高斯（rbf),因为高斯需要通过交叉验证选择适合的惩罚系数C和gamma
④理论上高斯不会比线性核差，但是高斯需要花非常多的时间在调参上，实际业务中能用线性就用线性
四、GridSearchCV调参实例
① 用sklearn数据生成器生成特征数为2的圆环型数据
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm,datasets
from sklearn.svm import SVC
from sklearn.datasets import make_moons,make_circles,make_classification
X, y = make_circles(noise=0.2, factor=0.5, random_state=1) # make_circles是环形，noise是加一点噪音，factor是两个圆形的距离
from sklearn.preprocessing import StandardScaler
X = StandardScaler().fit_transform(X) # StandardScaler