svm的c值应在0.01–100间用logspace搜索，小样本（10，离群点多时c不宜超1；class_weight与c需分步调优；高维稀疏特征优先linear核，非线性分布才选rbf并同步调gamma；大样本改用linearsvc；务必标准化且验证指标用f1而非accuracy。
sklearn.SVC 的 C 值到底调多大才不炸？
过大的 C 会让模型死磕训练集里的噪声，泛化变差；太小又欠拟合，边界软塌塌。关键不是“找最优”，而是观察验证曲线拐点。
-
C=1是默认起点，但实际常需在0.01到100之间扫——用LogisticRegressionCV那套思路不行，SVM 对C敏感度非线性，建议用np.logspace(-3, 2, 10)等比采样 - 数据量
样本时，<code>C > 10很容易过拟合；若样本带明显离群点（比如异常标注），C超过1就可能让支持向量数暴增，训练变慢甚至 OOM -
class_weight='balanced'和C不是替代关系：前者调整类别损失权重，后者控制间隔惩罚强度，两者叠加时，C实际影响会被缩放，建议先固定class_weight=None调C，再微调
rbf 核 vs linear 核：什么情况该换核？
别迷信 rbf —— 它参数多、训练慢、解释性差，而 linear 核在高维稀疏特征（如 TF-IDF、one-hot）上往往更稳更快，且 coef_ 可解释。
- 特征维度
> 样本数（比如文本分类）：优先试kernel='linear'，配合SVC的max_iter调大（默认 1000 常不够） - 特征已做标准化（
StandardScaler）且维度中等（几百到几千），但决策边界明显非线性（比如环形、螺旋分布）：才考虑kernel='rbf'，此时必须同步调gamma，不能只动C -
kernel='poly'或'sigmoid'在绝大多数场景下不如 rbf 或 linear，收敛难、超参更多，除非业务明确要求多项式可解释性，否则跳过
GridSearchCV 调 gamma 和 C 为什么总卡住？
因为暴力网格搜索在 rbf 核下是二维参数耦合扫描，计算量指数级增长，尤其样本一过万，fit 时间就不可控。
- 别用
GridSearchCV(param_grid={'C': [0.1, 1, 10], 'gamma': [0.001, 0.01, 0.1]})这种均匀枚举——改用RandomizedSearchCV，配合loguniform(1e-3, 1e2)抽样，50 次迭代通常比 9 点网格更靠谱 -
gamma='scale'（默认）和'auto'已被弃用，新版本强制要求显式传值；真实项目里，先用gamma=1/(n_features * X.var())手算一个基准值，再围绕它上下浮动两档 - 如果训练集
> 5000样本，直接上LinearSVC替代SVC(kernel='linear')，它用的是更高效的优化器，fit速度快 5–10 倍
验证集上 f1 下降但训练准确率 100%，大概率是这三件事没做
这不是模型问题，是流程漏了关键环节。SVM 对数据预处理极其敏感，错一步就全偏。
- 没对训练集和测试集分别做
StandardScaler：必须用训练集的mean_和scale_去 transform 测试集，不能 fit_test —— 否则信息泄露，C和gamma全白调 - 用了
StratifiedKFold但没设shuffle=True：某些数据顺序自带时间/类别趋势，不 shuffle 会导致某折全是同类样本，C误判为“很好调” - 调参时只看 accuracy：SVM 在不平衡数据上 accuracy 有欺骗性，务必监控
f1-score或precision-recall曲线，classification_report里每个类的 support 值也要盯住
rbf 核的 gamma 和 C 是强耦合的，调参时永远不要固定一个调另一个；而 linear 核下 C 是唯一关键超参，但前提是特征尺度一致——这点比选核还重要。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
