SVM--RBF kernel

radial basis function（Gaussian）kernel，简称 RBF kernel，定义为：

令 则：

参数 gamma与sigma成反比，gamma越小，影响的训练样本越远，可以看作是支持向量影响半径的倒数。
参数 C 用来权衡模型准确性和复杂性，C值越小，支持向量中的样本数越少，使得决策面平滑，模型简单而准确性下降；一个大的C值，模型可以选择更多的样本作为支持向量，准确性上升而变得更加复杂。
模型对gamma参数非常敏感，如果gamma值太大，支持向量的影响范围只包括支持向量本身，没有合适的正则化C来防止过拟合。
当gamma非常小时，模型将无法拟合数据的形状和复杂度，导致任何选定的支持向量的影响区域都包括整个训练集，由此产生的模型类似于超平面集合组成的线性模型，将任意两个高密度区域分开。
在实践中，用较低的C值限制支持向量的数量，有利于使用更少的内存和更快的预测。

import numpy as np
from sklearn.svm import SVC
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import load_iris
from sklearn.model_selection import StratifiedShuffleSplit
from sklearn.model_selection import GridSearchCV

iris=load_iris()
x=iris.data
y=iris.target

x=StandardScaler().fit_transform(x)
C_range=np.logspace(-2,10,13)
gamma_range=np.logspace(-9,3,13)
param_grid=dict(gamma=gamma_range,C=C_range)
cv=StratifiedShuffleSplit(n_splits=5,test_size=0.2,random_state=42)
grid=GridSearchCV(SVC(),param_grid=param_grid,cv=cv)
grid.fit(x,y)
print("The best parameters are %s with a score of %0.2f" % (grid.best_params_,grid.best_score_))