我需要创建一个使用 RBF 核和硬边界的 svm 分类器。如果我理解正确的话，边界类型是由 C 参数控制的。也就是说，C 参数越大，得到的硬边界就越严格。是否有一个典型的 C 值可以模拟一个非常稳健的“硬边界”？或者有其他方法可以模拟一个稳健的硬边界？当然，我们可以讨论为什么需要模拟硬边界。但在这种情况下，我需要模拟它！

clf = svm.SVC(C = ??,kernel="rbf",gamma =1.5,shrinking=False,cache_size=3000)

回答：

通常不需要那么大的值，但总的来说这就是这个想法。试着将其设置为 1e10，然后查看结果的 alphas。

如果没有一个 alphas 达到 C 值，就没有应用正则化（即所有点在训练集中都被正确分类 = 硬边界）。

顺便说一下，如果你的数据集非常嘈杂，并且无法用你使用的核分离，你就无法实现硬边界。