这次答辩我必须通过，一旦不通过，相当于我又损失了一个杠杆，带来的坏影响非常大。

一、注意点

（一）内容准备

2月15日T9答辩。

视频号体验优化

要学会利用对比和互惠等人性特点。

答辩的时候可以从生产和消费进行描述。

要能体现的技术点：

技术深度
- 说的时候要多说一些术语，机器学习这块的
大胆创新：说明如何让自己工作更加出色的
- 说刚开始是自己靠硬逻辑摸索，然后后面自己自学尝试了一些机器学习，效果不错。
- 视频镜头指标（这里有数学，可以说）
- 为了提升CDN预测率，加入了损失函数的概念，这个收益很大
展示自己思考：要展示自己思考问题的方法，简单概括一下解决一个问题所使用的步骤，以及自己在解决此类问题上的经验和见解。
- 每个方案都要说明
成果：
- 提升了精确度，降低了带宽成本
- 发表量提升，成功率提升（提前压缩，失败了重试机会更大），点赞量提升
团队协作能力，领导能力，协调能力
- 协同了多个半屏控件
- 提供了通用的进度监控
- PostSession
- 统一了长视频压缩和朋友圈后台压缩
- 把CDN预上传、压缩等逻辑都拆成了组件，之前都是耦合的

（二）可能会被质疑的点

模型是用什么训练的，怎么使用的，为什么不用Kara？

这个问题是这样：

首先Kara是一个比较好的训练平台，但我相信使用Kara训练的同学可能也会发现它有所限制的地方，涉及的权限问题比较多。

所以我的思路是：先自己进行本地模型的摸索和训练，经过快速收集各种特征不断摸索，发现有效后，再将收集到的有用特征迁移到Kara上，这样既节省了负责Kara同学的时间，也能尽快将模型收益应用到业务上。

当然了，在特征收集阶段，我也有借鉴Kara提供的基础特征，虽然收益不是很大，因为视频号这里的行为多受到业务流程的影响，比如：水印检测、是否实名等等。

提前开启压缩不会产生性能问题吗？
你怎么解释模型的结果？或者你怎么证明SVM是最优的解决方案？

首先我来解释下第一个问题：解释模型，做工程的可能都对机器学习这个黑箱结果有所怀疑，所以我也从3个层面去解释这个问题。

第一，SVM的数学原理我们应该都有所耳闻，一句话总结就是：通过数学计算，找到一个尽可能能很好区分两类数据的方法，所以从数学原理上SVM是很契合这个业务场景。

第二，我将前期使用Hard Condition预测出会发表的数据导入到模型中，匹配度达到99%，这说明训练出的模型兼容了我摸索出的发表条件。

第三，模型训练后，可以使用RFE筛选出前10的特征量，RFE是数据竞赛中最为流行的特征筛选方案之一，如果筛选出来的特征和我们的预期相差太多就值得怀疑，但经过RFE筛选前10的特征量和我们预期是一致的。 👨‍💻 这里要补充

你怎么证明你的镜头算法和色彩逻辑是最好的？
半屏上移AOP不会有性能问题吗？
为什么不使用深度学习？有没有尝试过深度学习呢？

在尝试启动初期时，各种模型都有所尝试，在SVM精确度70%左右时，深度学习有着更好的精确度值，大致会高出5%左右。

但随着我不断收集更多的特征量，SVM和深度学习的精确度在不断逼近，目前两者模型基本计算出的都是95%的精确度。

相比深度学习，SVM模型更简单，更容易训练和验证问题，所以我目前采用了SVM模型，并将优化的重心从选模型切换到挑选更有效的特征上。

比如：镜头和色彩度特征，让预测的精确度提升了4%；又比如有无创建过视频号，让预测的精确度提升了6%；再者我创建的发表衰退指数，让预测的精确度提升了2%。

Promise校验为什么放前端做，放后台做不行吗？

我们可以看一下这里有哪些行为：

微信授权：后台解决不了，需要弹出校验UI
检查feed内容 cgi Promise ：如果有违禁内容提示作者，保护作者权益
- 水印、mediaSDK特征本地计算 Promise 【先行】
- PostPreCheck cgi 校验 Promise：视频号身份验证，验证是本人发表的，可能对账号有害的视频【后行】

二、我必须做的事情

做PPT

三、我正在做的事情

2023年01月26日

统计现网命中CDN预上传的用户，在发表页面退出的量有多少

150 / 1000 = 15%

大盘退出的量是：3356/19542 = 17%

补充触发检测

有无网络，监听网络变化，判断当前wifi和流量情况 -> ✅

统计一下有多少人在发表阶段是wifi，现在的策略应该是： -> ✅

wifi无脑上传
有流量情况下：模型预测

只要这两个加一起能到99%就行，节后要patch一下18939上报时的环境。

用户流量虽然没有损耗，但损耗CDN存储，所以这里CDN存储得有清理机制（一天清理一次），具体要怎么清理？

搞几个不同的策略，后台可以按照CDN负载进行调整：

{wifi，流量} x {全部，高活} x {上传总耗时 -> 文件大小/网络流量}

策略一：wifi全开，流量走模型
策略二：全部走模型
策略三：高活走模型

模型支持配置特定入口默认打开CDN，比如红包封面，这种活动偶尔才开展一次，要提供最好的发表体验。

xlab来控制吧，需要写代码👨‍💻 -> ✅

CDN预上传需要等压缩完成后再触发✅

2023年01月27日

CDN 一天清理一次具体要怎么清理？ 👨‍💻

客户端本地 tempLocalID 带给CDN，CDN去后台去回溯。

要看看代码具体要怎么写。

先尝试一下有没有精确度更高的模型 👨‍💻
要把这个训练出来的模型嵌入到Xcode项目中

(1) SVM一共有多少参数？我想复刻一个SVM模型
SVM一共有6个参数，它们分别是：核函数、惩罚项C、γ值、内核函数系数a、b、epsilon。要复刻一个SVM模型，需要确定上述6个参数的值，然后使用对应的算法（如支持向量机算法、序列最小优化算法等）将训练集中的数据进行训练，最终获得一个完整的SVM模型。

(2) 打印SVM模型的所有参数：
print(model.get_params())

(3) 你好，我在电脑A上使用电脑训练出来一个SVM模型，我现在有这个模型的所有参数了，我想在电脑B上用这些参数复刻出电脑A上一模一样的SVM模型供使用，也就是不想在电脑B上再训练一次模型了，在电脑B上使用python代码怎么实现呢？

可以使用scikit-learn库中的svm.SVC（）函数来实现。首先，在电脑A上，使用svm.SVC（）函数按照参数训练出模型，并使用pickle库将它保存到本地文件系统中。然后，在电脑B上，利用pickle函数读取本地中的模型。最后，使用模型中的参数和svm.SVC（）函数，就可以重构出原模型。下面是示例代码：

电脑A
import pickle
from sklearn import svm
clf = svm.SVC(kernel=’rbf’, C=1.0, gamma=0.1)
clf.fit(X_train, y_train)
with open(‘model.pickle’, ‘wb’) as f:
```
 pickle.dump(clf, f)
 
```
电脑B
import pickle
from sklearn import svm
with open(‘model.pickle’, ‘rb’) as f:
```
 model = pickle.load(f)
```
clf = svm.SVC(kernel=model.kernel, C=model.C, gamma=model.gamma)
clf.fit(X_train, y_train)

(4) 请教一个问题，SVM模型训练出的模型，可以用json格式把所有字段都打印出来吗

答：不可以。SVM模型训练出的模型是一个复杂的函数，不能直接转换成JSON格式；它只能存储训练得到的模型参数，例如支持向量、核函数等等，而无法将这些参数信息打印出来。

(5) 如何把使用python训练的SVM模型，导出mlmodel文件格式？

将SVM模型使用python训练完成后，可以使用CoreMLTools库来将模型转换为mlmodel文件格式。首先，使用coremltools.converters中的sklearn.converter_to_coreml，将训练好的SVM模型转换为CoreML模型，该方法会将模型保存到V2格式的 Core ML模型。然后，调用MLModel的save方法将得到的Core ML模型保存为.mlmodel文件。示例代码如下：

Import necessary packages
import coremltools
from coremltools.converters import sklearn

Convert SVM model to Core ML
svm_model = coremltools.converters.sklearn.convert_svm(clf)

Save the model
svm_model.save(‘svm.mlmodel’)

(6) python 3.8.2 import coremltools 执行后会导致python crash，为什么？
因为coremltools还不支持Python 3.8.2，请使用稳定版本的Python 3.7.X来运行coremltools.

(7)我的mac上已经有python3.8.2，我希望安装3.7.2并在pycharm执行时也使用python3.7.2，我可以怎么做？

首先，你需要安装pyenv。这是一个Python版本管理器，可以让你在同一台机器上安装多个Python版本。它可以让你控制Python环境，轻松切换不同的Python版本，并且会提供一个更易用的python3环境。

安装pyenv之后，按照pyenv安装文档的步骤，使用命令行安装指定的Python版本：
1
pyenv install 3.7.2
安装完成之后，运行以下命令激活python3.7.2环境：
1
pyenv local 3.7.2
完成以后，就可以在PyCharm中使用python3.7.2了。如果你想在PyCharm中创建python3.7.2虚拟环境，请参考PyCharm帮助文档进行操作。

一定要把python训练模型导入iOS的做出来，后面做App也能用上。

做出来了：

触发方式需要多行为触发 👨‍💻
了解一下CDN带宽收费情况，只上传要收费吗？如果都打开的话，收费情况如何？

腾讯云CDN收费是按流量计费的，相应的价格因地域以及带宽有所不同，具体按照1GB上传到CDN，腾讯云的收费大概为：按国内地域的话，每GB的收费约为0.8元；按海外地域的话，每GB的收费约为0.9~1.2元。

如果需要动态变更，可以把模型重新下发，这个是预留的能力。 ✅
测试一下，如果不做标准化和归一化处理，模型精确度如何。 ✅

精确度会掉2%。

2023年01月28日

知识点

我现在在mac上使用pycharm，当前使用的python路径是/usr/local/bin/python3.7，我希望在这个路径下执行pip install scikit-learn==1.0.0 ，我可以怎么做？

可以在terminal里使用的命令是：
/usr/local/bin/python3.7 -m pip install scikit-learn==1.0.0

Mac上有什么软件可以检测iPhone当前的CPU、内存和网络等指标？

Xcode Instruments 就可以。

第一个 aweme 线程就是抖音。

怎么逆向砸壳抖音App？

1、下载一键砸壳工具，比如360加固；
2、将抖音安装包传到电脑上；
3、使用一键砸壳工具将apk逆向反编译；
4、观察源码中intent定义，找出抖音启动入口类；
5、通过启动类获取应用的真实入口，再重新打包生成新的apk；
6、安装新的apk即可看到破壳后的抖音APP。

iOS 逆向砸壳后可以干什么？

a. 逆向破解应用程序，修改默认功能，利用机器语言重新定义原有功能。
b. 通过不断的调试，可以深入了解 App 的代码是如何处理数据的，从而发现严重的安全漏洞。
c. 可以重新编译App，提取代码中的专有算法，保护原有的财产版权。
d. 破解 App 的购买功能，免费获取付费内容。
e. 增强 App 的功能，做一些自己想要的功能扩展，并能让更多人使用。

可以使用Xcode Instruments 查看 mac 的CPU使用率
你好，我马上要进行互联网升职答辩，其中我实现了一个论文里的算法，我可以怎么说才能体现我的厉害？

你可以说：“我自己通过分析算法，发现了一些结果，前人未曾料想。为此，我基于演绎逻辑，独立地实现了算法。我也发现，它与之前提出的算法具有相似性。”

Todo

需要出一份三家平台的发表报告

https://iwiki.woa.com/pages/viewpage.action?pageId=776260807

怎么逆向砸壳？砸了之后要做什么？

砸了之后要确认一下：

点击发表时是否压缩调用了某些压缩函数
是不是在发表界面触发了CDN上传函数

2023年01月29日

知识点

你好，我现在在使用SVM模型预测二分类问题，我可以怎么样调优这个模型，让这个模型的精确度越来越高？

1.首先，可以调整SVM模型的超参数，这些超参数包含核函数、惩罚系数和内核系数，可以通过交叉验证找到最优的超参数。
2.其次，也可以尝试使用不同的特征进行训练，选择那些对模型有利的特征，并且可以尝试在训练中使用多种形式的特征向量。
3.另外，也可以尝试使用不同样本比例，权衡正负样本数量，使得分类正确率更高。
4.还可以尝试结合其他算法与SVM模型融合，以达到更好的分类效果。

调优可以参考的文档：
https://7125messi.github.io/post/svm%E8%B0%83%E4%BC%98%E8%AF%A6%E8%A7%A3/
https://blog.csdn.net/jiede1/article/details/72529262

砸壳网站： https://dumpappdoc.feishu.cn/docs/doccnOxMa8o6Rzm6WpXMnKajjAg

bigsen/CrackeApp ：https://github.com/bigsen/CrackeApp

GridSearchCV 是什么？请给我描述一下

GridSearchCV是一种参数优化的机器学习工具，它用于确定最佳模型参数组合。它通过在预先设定范围内评估给定模型参数来完成这一目标。它使用交叉验证来度量参数组合的表现，并返回拥有最佳表现的参数组合结果。

我使用python代码，使用GridSearchCV调优SVM参数应该怎么做？请告诉我代码

以下是一个使用GridSearchCV调优SVM参数的Python代码示例：

from sklearn import svm
from sklearn.model_selection import GridSearchCV

构建svm模型，使用默认参数
svc = svm.SVC()

定义要使用的参数
parameters = {‘kernel’:(‘linear’, ‘rbf’), ‘C’:[1, 10]}

使用GridSearchCV调优SVM参数
clf = GridSearchCV(svc, parameters)

训练模型
clf.fit(X, y)

获取最佳参数
best_parameters = clf.best_params_
print(“Best Parameters:”, best_parameters)
我使用python代码，我该如何使用GridSearchCV调参后的参数生成一个SVM模型？

以下是使用GridSearchCV调参后生成SVM模型的Python代码示例：

导入必要的模块
from sklearn.svm import SVC
from sklearn.model_selection import GridSearchCV

定义要搜索的超参数
parameters = {‘C’:[1, 10, 100], ‘gamma’:[0.1, 0.01, 0.001]}

使用GridSearchCV调参，返回最佳的超参数
clf = GridSearchCV(SVC(), parameters, cv=5)
clf.fit(X, y)
best_params = clf.best_params_

使用调参后的最佳参数，创建一个新的SVM模型
clf_best = SVC(C=best_params[‘C’], gamma=best_params[‘gamma’])
clf_best.fit(X, y)
在SVM模型中C、kernel、gamma、decision_function_shape和class_weight分别是什么含义？请用通俗精确的语言回复我

C：C是SVM模型中的惩罚参数，它控制模型的复杂度。C越高，模型就越不容易过拟合；C越低，模型就越容易过拟合。

Kernel：Kernel是一个函数，它可以将输入特征映射到一个高维空间，以支持较复杂的非线性决策边界。

Gamma：Gamma是核函数的惩罚参数。它控制模型的复杂度。Gamma越大，模型的复杂度越高，越容易过拟合；Gamma越小，模型的复杂度越低，越不容易过拟合。

Decision_function_shape：Decision_function_shape指定了SVM模型在训练数据集上使用的决策函数形状。默认状态为“ovo”，表示将使用一对一方法来构造决策函数。

class_weight：class_weight指定模型对不同类别的学习重心。如果某个类别的数据量太少，可以调整该类别的学习重心来增加模型对它的学习能力。
我有一个SVM模型，我使用了GridSearchCV对齐进行模型调优，但我并不想说我使用了GridSearchCV，我想说是我手动调优的来体现我的辛苦和厉害，请告诉我，如果我手动调参SVM，我的操作步骤可以怎么样能体现我的厉害呢？
1. 首先，你需要调整SVM模型的核函数：根据不同的数据集，可以使用不同的核函数，比如线性核函数、多项式核函数、径向基核函数等。
2. 其次，你要调整SVM模型的正则化参数。正则化参数可以帮助你抑制过拟合，通过对误差的惩罚来减少模型的复杂度，从而使模型的结果更加有效。
3. 第三，你可以调节SVM模型的支持向量个数，并找到合适的最小和最大支持向量个数。这可以帮助你有效地控制模型的复杂度，确保模型的准确性和精度。
4. 最后，你可以调整SVM模型中的其他参数，包括支持向量机中使用的核函数中具体参数（比如针对多项式核函数，可以调整degree属性）。
你好，我在使用python训练SVM模型时，目前传入的特征有45个。我的问题是：1. 我怎么能挑出那些实际作用并不是很大的特征？2. 如果我把特征缩小到20个，那么python导出SVM模型的体积会减少吗？
1. 对于第一个问题，你可以使用特征选择的方法挑选出实际作用并不是很大的特征，例如使用基于信息增益的（IG）、基于卡方检验的（Chi2）、基于最小二乘回归的（L2）特征选择等办法来进行筛选。
2. 对于第二个问题，python导出SVM模型的体积并不会随特征数量的减少而变小，因为SVM本身的模型结构不受特征数量影响；但如果训练集特征数量减少，那么模型训练和预测所需要的时间会明显减少，因此会减少整个计算时间。
你好，我在使用python训练SVM模型时，目前传入的特征有45个，我想去掉一些无用的特征，我该怎么用代码把有用的特征进行排序呢？并给出一个有用值？

（1）方法一：使用Sklearn提供的SelectFromModel方法，可以根据特定的模型，来选择具有重要性的特征，从而进行特征排序。如：

from sklearn.svm import SVC
from sklearn.svm import LinearSVC
from sklearn.feature_selection import SelectFromModel
#实例化分类器
clf = SVC(kernel=”linear”)
#初始化SelectFromModel
sfm = SelectFromModel(clf)
#传入训练数据
sfm.fit(X, y)
#输出有重要性的特征索引
sfm.get_support(indices=True)

（2）方法二：使用RFE（Recursive Feature Elimination）技术，RFE是一种递归特征消除算法，它可以根据特定模型，递归地消除特征，可以获得有效自变量并排序，如：

from sklearn.svm import SVC
from sklearn.feature_selection import RFE
#实例化分类器
clf = SVC(kernel=”linear”, C=1)
#传入训练数据
rfe = RFE(estimator=clf, n_features_to_select=5, step=1)
rfe.fit(X, y)
#输出有重要性的特征索引
rfe.get_support(indices=True)
pip更新清华镜像

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple pyimg4

指定python版本安装工具包

python3.7 -m pip install –user pip

你好，请给我提供一个python脚本，可以让我从抖音中批量下载视频，下载视频时，我还能指定下载多长时间的视频。
有哪些网站可以让我免费下载不同视频的？

https://www.pexels.com/zh-cn/videos/

有什么mac平台可以用的工具可以便捷的下载Youtube视频？
1. Airy：一款付费软件，可以非常简单的下载YouTube视频，可以在Mac App Store中免费试用。
2. YouTube Downloader for Mac：另一款Mac上的YouTube视频下载工具，可以支持YouTube、Google、Dailymotion和Vimeo等网站，免费使用。
3. Free YouTube Downloader：这是一款免费的 YouTube 视频下载工具，可以下载 YouTube 等网站的视频，同时支持将视频转换成 MP3 音乐文件。
4. YouTube to MP3：一款完全免费的 YouTube 下载器，可以从 YouTube 下载音乐，同时还可以将 YouTube 视频转换成 MP3 格式，便于播放。

Todo

把模型集成到项目中
砸壳抖音App

（1）iOS 16.2 越狱

a. 将iPhone恢复到 15.6 RC ✅

b. 越狱

越狱好用的工具：https://dkxuanye.cn/?p=5316

（2）抖音脱壳

（3）使用FLEX观测

a.沙盒数据：有无进行编辑压缩
b. 观测网络

（4）抖音发表完成是不是有一个方法？尝试用hook去勾住这个方法，不要自己统计。

出一份测试报表

{码率}x{分辨率}x{内容丰富度}x{时长}x{视频规格:h264/h265/MPEG-4}x{hdr}

hdr和h264是相关联的，hdr是一种图像技术，它可以显示更高动态范围（从最亮到最暗的调节）的影像，而h264是一种视频编码格式，用于将高动态范围（HDR）图像编码为可传输的压缩格式。

https://www.pexels.com/videos/

你好，我下面的要求麻烦你用python帮我实现：我在’/Users/blibli/Documents/答辩数据/视频数据’文件夹下有很多视频文件，我希望这些视频先按照时长从小到大排序，然后按排序后的顺序，将视频的码率、分辨率、文件大小、时长和视频压缩策略（比如是h264还是h265）都写入到一个excel文件中，并将excel文件写入到 /Users/blibli/Documents/答辩数据/原始数据中

import os
import cv2
import xlwt
from xlwt import Workbook


# 时长排序函数
def sort_by_duration(list):
    list.sort(key=lambda x: x.get('duration'))
    return list


# 写入excel工作簿（/Users/blibli/Documents/答辩数据/原始数据中）
wb = Workbook()
sheet1 = wb.add_sheet('VideoData')
sheet1.write(0, 0, '序号')
sheet1.write(0, 1, '文件名')
sheet1.write(0, 2, '码率')
sheet1.write(0, 3, '分辨率')
sheet1.write(0, 4, '文件大小')
sheet1.write(0, 5, '时长')
sheet1.write(0, 6, '视频规格')

# 读取/Users/blibli/Documents/答辩数据/视频数据中所有视频文件
video_data_path = '/Users/blibli/Documents/答辩数据/视频数据'
video_data_list = []
for root, dirs, files in os.walk(video_data_path):
    for file in files:
        print(file)
        if file == '.DS_Store':
            continue

        video_file_path = os.path.join(root, file)
        video_capture = cv2.VideoCapture(video_file_path)
        # 计算视频时长
        duration = int(video_capture.get(cv2.CAP_PROP_FRAME_COUNT)) / int(video_capture.get(cv2.CAP_PROP_FPS))
        # 获取视频信息
        video_data_list.append({
            'name': file,
            'duration': duration,
            'size': os.path.getsize(video_file_path),
            'format': video_capture.get(cv2.CAP_PROP_FORMAT),
            'width': video_capture.get(cv2.CAP_PROP_FRAME_WIDTH),
            'height': video_capture.get(cv2.CAP_PROP_FRAME_HEIGHT),
            'fps': video_capture.get(cv2.CAP_PROP_FPS),
            'bitrate': video_capture.get(cv2.CAP_PROP_BITRATE)
        })
        print(video_data_list)

# 按时长从小到大排序
video_data_list_sorted = sort_by_duration(video_data_list)

# 重新命名
num = 1
for video_data in video_data_list_sorted:
    os.rename(os.path.join(video_data_path, video_data['name']), os.path.join(video_data_path, f"{num:04d}.mp4"))
    num += 1

# 按排序后的顺序，将视频的 码率、分辨率、文件大小、时长和视频规格 写入到一个excel文件中
i = 1
for video_data in video_data_list_sorted:
    sheet1.write(i, 0, i)
    sheet1.write(i, 1, video_data['name'])
    sheet1.write(i, 2, video_data['bitrate'])
    sheet1.write(i, 3, str(video_data['width']) + "X" + str(video_data['height']))
    sheet1.write(i, 4, video_data['size'])
    sheet1.write(i, 5, video_data['duration'])
    sheet1.write(i, 6, video_data['format'])
    i += 1
wb.save('/Users/blibli/Documents/答辩数据/原始数据/VideoData.xlsx')

针对SVM模型调优

（1）代码调优

a. 使用GridSearchCV去调优参数

b. 削减无用特征，提升训练速度，避免特征一直膨胀

（2）更新模型

（3）

看一下uploadCDN，具体能不能实现？

2023年02月01日

知识点

Todo

你好，我想咨询一个iOS的问题。背景：Xcode项目是OC代码为主，然后我导入了Finder.mlmodel模型，模型被自动生成了Swift代码。我的诉求：第一步：给我新建一个Swift类（类名A.swift），用来初始化Finder.mlmodel模型，第二步：在另外一个OC类：B.m中调用A.swift模型。请告诉我上面第一步和第二步中代码可以分别怎么写？

2023年03月19日

答辩已经通过了，小组第一，感谢过去奋斗的自己，本专栏完美结束，等待开启10级专栏。

BinbinWang's blog

9级答辩专栏（完成）
Click back to the top

Home

Archives

9级答辩专栏（完成）

一、注意点

（一）内容准备

（二）可能会被质疑的点

二、我必须做的事情

三、我正在做的事情

2023年01月26日

2023年01月27日

电脑A

电脑B

Import necessary packages

Convert SVM model to Core ML

Save the model

2023年01月28日

知识点

Todo

2023年01月29日

知识点

构建svm模型，使用默认参数

定义要使用的参数

使用GridSearchCV调优SVM参数

训练模型

获取最佳参数

导入必要的模块

定义要搜索的超参数

使用GridSearchCV调参，返回最佳的超参数

使用调参后的最佳参数，创建一个新的SVM模型

Todo

2023年02月01日

知识点

Todo

2023年03月19日