與傳統的神經網絡方法相比，支持向量機具有更出色的性能，它採用結構風險最小化原則，能在經驗風險與模型複雜度之間做適當的折中，從而獲得更好的推廣能力。但是，支持向量機在實際應用中，關於參數選擇的問題仍然沒有得到很好的解決，如多項式學習機器的階數問題、徑向基機器中的函數寬度，以及Sigmoid機器中函數的寬度和偏移等。統計學習理論目前對這些問題給出了一些建議和解釋，但還沒有給出實際可行的方案，目前也只有通過實驗方法來確定最佳參數。因此，在使用支持向量機進行分類和預測時，如何選擇適當的參數就成了一個非常重要的問題。
由SVM基本算法可以看出，支持向量機判決函數的依據是支持向量機和偏移值，而支持向量是由訓練集中的一部分組成的，不同的訓練集中訓練出來的支持向 量和偏移是不一樣的，所以SVM分類器性能對訓練集數據選取很敏感。爲了提高支持向最機的分類性能，通常需要不斷調整訓練集，並對其進行多次反覆的訓練，對一個具體分類器找到最佳訓練集，即找到分類中用於判別的支持向量，這就是系統的再學習過程。爲了選擇一個SVM分類器較優的參數，前提是要確定一個好的訓練集。比較常用的方法是先用訓練集一部分樣本訓練，通過實驗得到SVM對這個訓練集的最佳參數，找出對這個訓練集中分類錯誤的樣本，這時把這些分類錯誤的樣本再加到訓練集中，重新使用新的樣本集訓練測試SVM，一直到最佳參數。若分類結果不滿意再重複上述過程。
對於確定的訓練樣本集，研究表明支持向量機RBF核具有較爲優越的性能，所以實驗中通常選擇RBF核函數。RBF核函數實驗中需要調試的參數是懲罰係數C和徑向基寬度σ，關於這兩個參數的選擇，使用交叉選擇的方法可以快速達到最優解。一般來說，C的取值一般爲2 9>C>2 1, or的取值一般小於2 8>σ> 2 1，所以可以先把C的值確定爲9個，即份（2 1,2 2...,2 9），同樣σ的值確定爲8個，這樣再根據經驗選擇以上組合，可以快速達到較優的結果。可以先確定其中一個值，然後微調另一個值，得到分類結果，調好一個參數後再固定它，微調另一個參數，直到達到最佳。