上一次學習了評估一個模型的泛化能力，現在繼續學習通過調參來提升模型的泛化性能。scikit-learn中許多算法的參數設置，在嘗試調參之前，重要的是要理解參數的含義。找到一個模型的重要參數（提供最佳泛化性能的參數）的取值是一項棘手的任務，但對于幾乎所有模型和數據集來說都是必要的。

scikit-learn 中有一些標準方法可以幫我們完成調參。最常用的方法就是網格搜索（grid search），它主要是指嘗試我們關心的參數的所有可能組合。

例如：一個具有RBF（徑向基函數）核的核SVM的例子，它在SVC類中實現。

它有2個重要參數：核寬度gamma和正則化參數C。假設我們希望嘗試C的取值為0.001、0.01、0.1、1、10和100，gamma也取這6個值。由于我們想要嘗試的C和gamma都有6個不同的取值，所以總共有36種參數組合。所有可能的組合組成了SVM的參數設置表