C=1，gamma=0.1
按 Pipeline 内缩放显示
训练分数0.000
验证均值 ± 折间标准差0.000 ± 0.000
训练—验证差距0.000
支持向量比例0%
每折验证分数均值标准误 0.000
正在生成诊断。
在对数网格上先找稳定区域
横轴 C、纵轴 gamma 都按 10 倍递进。点任一格查看明细；格子聚焦时可用方向键在网格中移动。
当前热力图含验证信息泄漏：缩放器先看完整数据，再划分折。均值会偏乐观，折间波动也可能显得过小。
C → 约束放松、模型更愿意照顾训练违例
较低较高无泄漏建议区域
拆开所选格子的平均分
验证均值只是一列摘要。训练分数、折间标准差、支持向量比例与协议差异要一起看。
怎样从热力图走到可复查选择
网格只负责提出候选。切分、预处理、指标和最终测试边界决定这张图能不能成为证据。
为什么建议选一片区域，不抢最高小数点？
折间波动可能让相邻格子的微小差异没有实际意义。本页把无泄漏最佳格子的“均值减一个标准误”当门槛，再从达标格子里选复杂度较低的起点。
支持向量比例为什么会跟着看？
比例很高可能来自类别重叠、噪声、过于局部的边界或较弱的间隔约束。它不是单独的好坏指标，但能解释模型体积与预测成本。
为什么 C 与 gamma 要一起搜？
C 决定违例代价，gamma 决定 RBF 距离衰减。高 gamma 配高 C 更容易围着训练样本急转，低 gamma 配低 C 又可能把结构抹平，只调一项会错过交互。
为什么热力图最好看也不是最终成绩？
同一交叉验证上试过很多组合后，最高均值仍会带选择偏差。参数冻结后还要在未参与搜索的测试集上做一次验收；若据此再调参，就进入新一轮开发。
一个实用顺序：先确认缩放器在 Pipeline 里，再用粗对数网格找稳定区域，最后围绕候选缩小范围。网格再密，也修不好验证信息已经进入预处理的问题。