是的，可以运行以下代码，例如：
from sklearn import svmimport numpy as npclf = svm.SVC()np.random.seed(seed=42)x=np.random.normal(loc=0.0, scale=1.0, size=[100,2])y=np.random.randint(2,size=100)clf.fit(x,y)print(clf.score(x,y))
分数是0.61，因此将近40％的训练数据被错误分类。部分原因是，即使默认内核是
'rbf'（理论上也应该能够对任何训练数据集进行完美分类，只要您没有两个带有不同标签的相同训练点），也可以进行正则化以减少过度拟合。默认的正则化器为
C=1.0。
如果您运行与上述相同的代码，但切换
clf = svm.SVC()到
clf = svm.SVC(C=200000)，则精度为0.94。
