支持向量机的正则化参数缩放

# 简介

本实验展示了在使用支持向量机（SVM）进行分类时缩放正则化参数的效果。在 SVM 分类中，我们关注以下方程的风险最小化：

C \sum_{i=1, n} \mathcal{L} (f(x_i), y_i) + \Omega (w)

其中：

- `C` 用于设置正则化的程度
- `L` 是我们的样本和模型参数的损失函数
- `Ω` 是我们的模型参数的惩罚函数

## 虚拟机提示

虚拟机启动完成后，点击左上角切换到“笔记本”标签，以访问 Jupyter Notebook 进行练习。

有时，你可能需要等待几秒钟让 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。

如果你在学习过程中遇到问题，请随时向 Labby 提问。课程结束后提供反馈，我们将立即为你解决问题。