En la implementación de scikit-learn, si se asigna a γ el valor "auto", tomará el valor 1/n, siendo n el número de características:
model = SVC(kernel = "rbf", gamma = "auto")
model.fit(X.values, y)
show_boundaries(model, X.values, None, y, None, labels = iris.species.unique())
model.fit(X.values, y)
show_boundaries(model, X.values, None, y, None, labels = iris.species.unique())
Como se ha comentado, si γ es muy pequeño, la función tenderá a comportarse linealmente:
model = SVC(kernel = "rbf", gamma = 0.01)
model.fit(X.values, y)
show_boundaries(model, X.values, None, y, None, labels = iris.species.unique())
model.fit(X.values, y)
show_boundaries(model, X.values, None, y, None, labels = iris.species.unique())
Y, si es muy grande, tenderá al sobreentrenamiento:
model = SVC(kernel = "rbf", gamma = 10)
model.fit(X.values, y)
show_boundaries(model, X.values, None, y, None, labels = iris.species.unique())
model.fit(X.values, y)
show_boundaries(model, X.values, None, y, None, labels = iris.species.unique())
