gamma函数stiriling公式_SVM参数: C和gamma

C：惩罚系数，即对误差的宽容度。C越高，说明越不能容忍出现误差，容易过拟合；C越小，容易欠拟合。C过大或者是过小，泛化能力都会变差。

gamma是选择径向基函数（RBF）作为kernel后，该函数自带的一个参数。隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma越小，支持向量越多。支持向量的个数影响训练与预测的速度。

C 和 gamma是相互独立的。

RBF函数公式：

注意sigma和gamma的关系。 gamma会影响每个支持向量对应的高斯作用范围，从而影响泛化性能。如果gamma设太大，

会很小，

很小的高斯分布长得又高又瘦，会造成只会作用于支持向量样本附近，对于未知样本分类效果很差，存在训练准确率可以很高，(如果让

无穷小，则理论上，高斯核的SVM可以拟合任何非线性数据，但容易过拟合)而测试准确率不高的可能，就是通常说的过拟合；而如果设的过小，则会造成平滑效应太大，无法在训练集上得到特别高的准确率，也会影响测试集的准确率，就会发生欠拟合。

关于RBF的核函数SVM可以得到的两个结论：

1、样本数目少于特征维度并不一定会导致过拟合

2、RBF核应该可以得到与线性核相近的效果（按照理论，RBF核可以模拟线性核），可能好于线性核，也可能差于，但是，不应该相差太多。当然，很多问题中，比如维度过高，或者样本海量的情况下，大家更倾向于用线性核，因为效果相当，但是在速度和模型大小方面，线性核会有更好的表现。

参考：

CSDN-专业IT技术社区-登录​blog.csdn.net