C：懲罰系數，即對誤差的寬容度。C越高，說明越不能容忍出現誤差，容易過擬合；C越小，容易欠擬合。C過大或者是過小，泛化能力都會變差。

gamma是選擇徑向基函數（RBF）作為kernel后，該函數自帶的一個參數。隱含地決定了數據映射到新的特征空間后的分布，gamma越大，支持向量越少，gamma越小，支持向量越多。支持向量的個數影響訓練與預測的速度。

C 和 gamma是相互獨立的。

RBF函數公式：

注意sigma和gamma的關系。 gamma會影響每個支持向量對應的高斯作用范圍，從而影響泛化性能。如果gamma設太大，

會很小， 很小的高斯分布長得又高又瘦，會造成只會作用于支持向量樣本附近，對于未知樣本分類效果很差，存在訓練準確率可以很高，(如果讓

無窮小，則理論上，高斯核的SVM可以擬合任何非線性數據，但容易過擬合)而測試準確率不高的可能，就是通常說的過擬合；而如果設的過小，則會造成平滑效應太大，無法在訓練集上得到特別高的準確率，也會影響測試集的準確率，就會發生欠擬合。

關于RBF的核函數SVM可以得到的兩個結論：

1、樣本數目少于特征維度并不一定會導致過擬合

2、RBF核應該可以得到與線性核相近的效果（按照理論，RBF核可以模擬線性核），可能好于線性核，也可能差于，但是，不應該相差太多。當然，很多問題中，比如維度過高，或者樣本海量的情況下，大家更傾向于用線性核，因為效果相當，但是在速度和模型大小方面，線性核會有更好的表現。

參考：

CSDN-專業IT技術社區-登錄?blog.csdn.net

總結

以上是生活随笔為你收集整理的gamma函数stiriling公式_SVM参数: C和gamma的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。