上一次学习了评估一个模型的泛化能力，现在继续学习通过调参来提升模型的泛化性能。scikit-learn中许多算法的参数设置，在尝试调参之前，重要的是要理解参数的含义。找到一个模型的重要参数（提供最佳泛化性能的参数）的取值是一项棘手的任务，但对于几乎所有模型和数据集来说都是必要的。

scikit-learn 中有一些标准方法可以帮我们完成调参。最常用的方法就是网格搜索（grid search），它主要是指尝试我们关心的参数的所有可能组合。

例如：一个具有RBF（径向基函数）核的核SVM的例子，它在SVC类中实现。

它有2个重要参数：核宽度gamma和正则化参数C。假设我们希望尝试C的取值为0.001、0.01、0.1、1、10和100，gamma也取这6个值。由于我们想要尝试的C和gamma都有6个不同的取值，所以总共有36种参数组合。所有可能的组合组成了SVM的参数设置表