以iris数据集合SVM分类器为例，使用sklearn的learning_curve函数绘制分类器的学习曲线，并根据学习曲线判断模型的状态，是欠拟合还是过拟合。
1、加载iris数据集
2、划分训练集和测试集
3、设置超参数C=0.05, gamme=0.1训练SVM模型
交叉验证结果准确率0.86，结果好像还不错！！！
4、使用learning_curve绘制分类器学习曲线
上图中训练准确率和验证准确率同步变化，且准确率没有太大差距，但是在训练集上的准确率只有75%左右，表明模型现在可能处于欠拟合的状态。
5、增加超参数C=10, gamma=1，降低对模型的约束，训练SVM分类器
修改超参数后，交叉验证结果95%，说明模型的学习能力变强了，但是现在有可能已经发生了过拟合！！！
6、使用learning_curve绘制分类器学习曲线
学习曲线显示，随着训练集的增大，训练集上的准确率一直是100%，验证集的准确率最终稳定在93%左右，模型在训练集合验证集上的结果相差较大，可能已经发生了过拟合。
7、设置超参数C=5, gamma=0.1，增强对模型的约束，训练SVM分类器
现在交叉验证的结果显示，在验证集上的分类准确率为98%，和第5步一样，现在也可能发生了过拟合的情况，绘制学习曲线看一下！！！
8、使用learning_curve绘制分类器学习曲线
学习曲线看上去还不错，分类器在训练集和验证集上的准确率最终都稳定到了相当的数值，且和前一步交叉验证得到的准确率也相当，使用现在这个模型在测试集上试试看！！！
9、模型在测试集上的表现
模型在测试集上的预测准确率在96%，与之前交叉验证的结果以及学习曲线的最终收敛结果相当，说明模型在未知数据上的泛化效果还不错！！！