线性可分时用 kernel='linear'，非线性但样本量小用 kernel='rbf'，样本量大且特征维数高优先考虑 linear 或预处理后用 rbf。
svm.SVC 的 kernel 参数选哪个才不翻车
线性可分时用 kernel='linear'，非线性但样本量小（kernel='rbf'；别一上来就用 'poly' 或 'sigmoid'——它们对参数敏感、收敛慢、泛化常更差。
常见错误：在高维稀疏文本数据上硬套 rbf，结果训练极慢还过拟合。这时该换 LinearSVC（它本质是线性 SVM 的优化实现，不支持核技巧但快得多）。
-
rbf实际只靠两个参数起作用：C（正则强度）和gamma（影响单个支持向量的影响半径） -
gamma太大 → 每个支持向量只“管”自己附近一点点，模型复杂度爆炸，容易过拟合 -
gamma太小 → 所有样本看起来都差不多远，决策边界变模糊，欠拟合 -
C和gamma要一起调，单独调一个意义不大
为什么 fit() 后 predict() 结果全是同一类
不是代码写错了，大概率是 C 设得太小（比如 C=0.001），或者数据没标准化。
SVM 对特征尺度极度敏感：身高（米）和收入（元）混在一起，后者数值大几百倍，就会主导距离计算，导致间隔方向歪掉。必须做 StandardScaler 或 MinMaxScaler 预处理。
立即学习“Python免费学习笔记（深入）”；
- 先
scaler = StandardScaler().fit(X_train)，再X_train_scaled = scaler.transform(X_train) - 测试集必须用训练集的 scaler：
X_test_scaled = scaler.transform(X_test)，不能重新 fit - 如果用了
rbfkernel，C低于 0.1 就容易压垮 margin，试试从 1 开始往上试 - 检查标签是否全是一个值：
np.unique(y_train)，有时数据加载出错会导致 y 全是 0
怎么快速验证是不是几何间隔真被最大化了
你没法直接“看到”间隔，但能通过支持向量数量和决策函数值间接判断。
调用 clf.support_vectors_ 得到支持向量坐标，再用 clf.decision_function(X) 算每个样本到超平面的带符号距离。理想情况下，所有支持向量的 abs(decision_function) 应该非常接近 1（软间隔下允许略小于 1，但多数应在 0.9~1.1 之间）。
- 如果大部分支持向量的 decision_function 值远小于 0.5 →
C太小，松弛变量放得太宽 - 如果只有 2~3 个支持向量，且分布在类别边缘尖角处 → 可能过拟合，尤其当训练样本多但支持向量极少时
- 注意：线性 kernel 下可直接看
clf.coef_和clf.intercept_推出超平面方程；rbf 下无法显式写出，只能靠 decision_function 数值分析
GridSearchCV 调参时最容易漏掉的三个配置项
光扫 C 和 gamma 不够，这三个不设好，搜出来的“最优参数”可能根本不可复现或无效。
-
cv=5默认用StratifiedKFold，但如果类别极度不均衡（如 99% vs 1%），得显式传StratifiedKFold(n_splits=5, shuffle=True, random_state=42) -
scoring='accuracy'在不平衡数据上完全失效，换成'f1'或'roc_auc'（需 y 是二值） - 必须设
refit=True（默认就是 True，但显式写上防手误），否则 GridSearchCV 训练完不会保留最优模型，predict()会报错 - 小提醒：
GridSearchCV默认并行是开的（n_jobs=-1），但在 Jupyter 中可能卡死，临时改成n_jobs=1更稳
核函数映射本身没有“可解释性”，它只是把难分的问题悄悄搬到另一个空间去硬刚。真正要盯住的，永远是支持向量的数量、分布，还有 decision_function 输出的数值是否落在合理区间——这些比背公式更能告诉你模型到底有没有学到位。
