gridsearchcv搜rbf核c和gamma易过拟合，因默认线性网格太粗、范围不合理，须改用对数网格（如np.logspace(-3,2,6)）并配合standardscaler；搜索慢是因参数非正交，可先单搜再交叉优化或改用randomizedsearchcv；最优参数需通过best_estimator_调用，避免漏标准化。
GridSearchCV搜RBF核的C和gamma为什么总过拟合？
因为默认网格太粗、范围太宽，尤其gamma在对数尺度下稍一偏移，决策边界就从平滑变锯齿。常见现象是训练集准确率99%+，验证集掉到70%以下。
- 别用
np.linspace(0.1, 10, 10)这种线性网格——RBF核对gamma极度敏感，必须用np.logspace(-3, 2, 6)（即0.001到100） -
C同样走对数：从1e-2到1e3比从1到100更合理，软间隔惩罚力度跨度大 - 务必设
cv=5且用StratifiedKFold（尤其类别不均衡时），避免某折漏掉少数类导致gamma误选偏大
为什么GridSearchCV跑得慢？RBF核参数搜索有无捷径？
RBF核的C和gamma不是正交影响——高C配高gamma往往爆炸，但低C配低gamma又欠拟合。暴力全搜5×5=25次是底线，省不了。
- 可先固定
C=1，单搜gamma定个大致范围，再反过来固定该gamma搜C，两轮共约10+10=20次，比全搜快但可能漏优解 - 用
RandomizedSearchCV替代，设n_iter=15，分布选C~log-uniform(1e-3, 1e3)，gamma~log-uniform(1e-4, 1e2)，实际效果常不输网格 - 绝对别在原始特征上直接搜——先用
StandardScaler，否则gamma会被量纲大的特征绑架
搜出来的最优gamma接近1/(n_features * X.var())，还用搜吗？
这个启发式公式（scikit-learn文档里提过）只是起点，不是终点。它假设所有特征同等重要且服从高斯分布，现实数据常有噪声、离群点、冗余特征，直接套用会系统性低估gamma。
- 如果特征已标准化，公式结果可作
np.logspace中心值，比如算出来0.05，就设np.logspace(-2, 1, 5)（0.01→10）覆盖它 - 若特征含大量零值（如文本TF-IDF），公式失效——此时
gamma需更小，否则RBF只在非零区域起作用，搜的时候要把下限压到1e-5 - 搜完一定要用
search.cv_results_['param_gamma'].data看分布：如果最优值卡在网格边界（如最小值或最大值），说明范围没设对，得重调
GridSearchCV返回的best_params_用在新数据上效果差，哪里断了？
最常被忽略的是：GridSearchCV内部的StandardScaler没暴露出来。你拿best_estimator_.predict()预测新数据时，它自动调用内置pipeline里的scaler；但若手动用best_params_重建SVM，就漏了标准化这步。
- 永远用
best_estimator_对象做预测，别自己new一个SVC(**best_params_) - 如果必须拆解（比如部署时只存参数），得同步保存训练时fit过的
StandardScaler实例，且确认新数据用同一scaler.transform() - 检查
best_estimator_.steps是否含scaler——若用make_pipeline(StandardScaler(), SVC())构建，则best_estimator_[0]才是scaler
核函数本身不存状态，但RBF的效果完全依赖输入尺度。参数调得再准，数据没对齐，一切归零。
