在不知道数据几何结构的情况下，通常通过反复试验来确定内核。径向基函数 (RBF) 内核是一个很好的开始选择，因为大多数数据不是线性可分的。幸运的是，训练 SVM 速度很快，因此暴力破解内核搜索并不是一个糟糕的方法。

为了选择 C ​​和 gamma 值，我们通常使用网格搜索：

图中的每个单元格都代表一个 SVM 模型，该模型在给定相应的 C 和 gamma 参数的情况下根据您的数据进行训练。颜色代表右侧刻度所描绘的精度。请注意，我们的尺度是对数的，因此我们能够搜索广泛的解决方案空间，同时只训练 169 个模型。

从这个例子中，我们可以预测最佳 (C,gamma) 值组合将在周围的区域中$( 10, 0.1 )$或者$( 10^{10}, 1e^{-7})$

我们可以通过“放大”到验证准确度最高的区域来进一步细化我们的 C 和 gamma 参数。换句话说，我们可以以更精细的粒度和由感兴趣区域确定的边界重复网格搜索，直到找到最佳的 C/gamma 组合。

具有最小测试或CV误差（或最大准确度）。