与传统的神经网络方法相比，支持向量机具有更出色的性能，它采用结构风险最小化原则，能在经验风险与模型复杂度之间做适当的折中，从而获得更好的推广能力。但是，支持向量机在实际应用中，关于参数选择的问题仍然没有得到很好的解决，如多项式学习机器的阶数问题、径向基机器中的函数宽度，以及Sigmoid机器中函数的宽度和偏移等。统计学习理论目前对这些问题给出了一些建议和解释，但还没有给出实际可行的方案，目前也只有通过实验方法来确定最佳参数。因此，在使用支持向量机进行分类和预测时，如何选择适当的参数就成了一个非常重要的问题。
由SVM基本算法可以看出，支持向量机判决函数的依据是支持向量机和偏移值，而支持向量是由训练集中的一部分组成的，不同的训练集中训练出来的支持向 量和偏移是不一样的，所以SVM分类器性能对训练集数据选取很敏感。为了提高支持向最机的分类性能，通常需要不断调整训练集，并对其进行多次反复的训练，对一个具体分类器找到最佳训练集，即找到分类中用于判别的支持向量，这就是系统的再学习过程。为了选择一个SVM分类器较优的参数，前提是要确定一个好的训练集。比较常用的方法是先用训练集一部分样本训练，通过实验得到SVM对这个训练集的最佳参数，找出对这个训练集中分类错误的样本，这时把这些分类错误的样本再加到训练集中，重新使用新的样本集训练测试SVM，一直到最佳参数。若分类结果不满意再重复上述过程。
对于确定的训练样本集，研究表明支持向量机RBF核具有较为优越的性能，所以实验中通常选择RBF核函数。RBF核函数实验中需要调试的参数是惩罚系数C和径向基宽度σ，关于这两个参数的选择，使用交叉选择的方法可以快速达到最优解。一般来说，C的取值一般为2 9>C>2 1, or的取值一般小于2 8>σ> 2 1，所以可以先把C的值确定为9个，即份（2 1,2 2...,2 9），同样σ的值确定为8个，这样再根据经验选择以上组合，可以快速达到较优的结果。可以先确定其中一个值，然后微调另一个值，得到分类结果，调好一个参数后再固定它，微调另一个参数，直到达到最佳。
