好吧，有很多文章试图解决这个问题，但基本上，为了保证一个好的解决方案，你需要做网格搜索（关于它的 sklearn 教程）

您可以为此使用各种技术，例如：

• Binary Gridsearch：在你想要的区间内尝试最大值和最小值，中间点，检查哪一边最好，并根据你的前一个中间点设置最小值或最大值。

这可以帮助您快速找到平均解决方案，但请记住，这没有保修。

• 详尽的网格搜索

• 随机参数优化

• 遗传算法

查看 sklearn 的链接以获取更多信息。我研究内核方法，这有点烦人的事情要解决。

注意：如果您只想尝试 RBF，我建议您使用$\sigma$ 作为训练样本范数之间的值 $\pm 80\%$. 您还可以将向量标准化为范数 1，并将搜索限制为$0.2$ 到 $1.8$. 通常太小$\sigma$ 对噪声有很高的敏感性，而太大则接近直线（失去非线性功率）

遗憾的是，超参数调优没有简单的解决方案。基本上，您有两种选择：

1. 手动调整：阅读 SVM 的文档并深入研究相应的文献。尝试了解不同的核函数如何工作以及哪些函数适合您的分类问题。将超参数设置为您所知道的最好的，然后观察细微的偏差会产生什么差异。当然，这种方法仍然会有一定程度的反复试验。
2. 网格搜索：对于所有类别参数（例如核函数），设置所有可能类别的列表，对于所有度量参数（例如 epsilon），定义合理值的范围。这是你的超参数空间。随后，使用从超参数空间中随机选择的参数运行多个 SVM。最后，您选择精度最高的超参数组合。（注意：还有其他方法比随机选择更复杂）

这两种方法都被广泛使用，但是，如果您对 SVM 不是很熟悉，我强烈建议您手动调整。

当然，简单地设置一个网格搜索，吃点东西，然后选择性能最好的超参数组合是非常诱人的。但最终，您将不会学到任何东西，并且您将不知道这些超参数是否是您的问题的合理选择。扩展您的知识在未来将是有益的，因为它减少了未来手动调整的工作量，并且因为将来您将能够缩小网格搜索的超参数空间，这将显着减少计算时间。