以iris數據集合SVM分類器爲例，使用sklearn的learning_curve函數繪製分類器的學習曲線，並根據學習曲線判斷模型的狀態，是欠擬合還是過擬合。
1、加載iris數據集
2、劃分訓練集和測試集
3、設置超參數C=0.05, gamme=0.1訓練SVM模型
交叉驗證結果準確率0.86，結果好像還不錯！！！
4、使用learning_curve繪製分類器學習曲線
上圖中訓練準確率和驗證準確率同步變化，且準確率沒有太大差距，但是在訓練集上的準確率只有75%左右，表明模型現在可能處於欠擬合的狀態。
5、增加超參數C=10, gamma=1，降低對模型的約束，訓練SVM分類器
修改超參數後，交叉驗證結果95%，說明模型的學習能力變強了，但是現在有可能已經發生了過擬合！！！
6、使用learning_curve繪製分類器學習曲線
學習曲線顯示，隨着訓練集的增大，訓練集上的準確率一直是100%，驗證集的準確率最終穩定在93%左右，模型在訓練集合驗證集上的結果相差較大，可能已經發生了過擬合。
7、設置超參數C=5, gamma=0.1，增強對模型的約束，訓練SVM分類器
現在交叉驗證的結果顯示，在驗證集上的分類準確率爲98%，和第5步一樣，現在也可能發生了過擬合的情況，繪製學習曲線看一下！！！
8、使用learning_curve繪製分類器學習曲線
學習曲線看上去還不錯，分類器在訓練集和驗證集上的準確率最終都穩定到了相當的數值，且和前一步交叉驗證得到的準確率也相當，使用現在這個模型在測試集上試試看！！！
9、模型在測試集上的表現
模型在測試集上的預測準確率在96%，與之前交叉驗證的結果以及學習曲線的最終收斂結果相當，說明模型在未知數據上的泛化效果還不錯！！！