在图像分类任务上，支持向量机是否需要从原理层面编写代码和改进？还是说我只要提取的特征够明显，然后用Sklearn封装好的函数也能得到很高的准确率？希望得到有相关经验的回答
这里有几个不同层次的问题，不能笼统地说。
1）支持向量机是比较简单的分类方法。这里有两个意思，一是比较简单，因此只能用于比较简单的分类问题，虽然用核函数能改进分类效果，但与神经网络、深度学习相比，支持向量机的分类就只是一个简单的玩具了。二是普世分类算法，原理上说跟问题无关，不管是图像分类还是其它分类，也不管提取的是什么图像特征，它就是一个分类器。所以是否适合图像分类任务，要根据具体问题进行分析，但总的来说只是一个很简单的分类器。
参见：Python数模笔记-Sklearn（5）支持向量机 https://youcans.blog.csdn.net/article/details/116885068
2）因此，“只要提取的特征足够明显，用 sklearn 封装算法就能得到很高的准确率“，原理上说没错的。
3）由于支持向量机算法确实比较简单，对于图像分类问题而言，从支持向量机算法方向进行改进的效果可能不是很明显，因此直接使用 sklearn 封装函数问题不大。
4）相对来说，在提取图像特征方面多做一些工作，做的细一些，特别是注意提取对图像的亮度变化、对比度变化、姿态变化都具有较强鲁棒性的特征，比改进支持向量机算法会更加有效。
用的SVM对二维矩阵进行分类。SVM是传统的机器学习模型，特征提取和分类器构建是最重要的两步，这里面分类器的构建就是在调整SVM模型的参数，给一个我训练的SVM的例子如下：
mysvm =Pipeline([("scaler",StandardScaler()),("svm_clf",SVC(kernel='poly',degree=3,coef0=1,C=7))])
这里面，构建SVC函数就是在调整SVM的参数，kernel代表选用的核函数，这里是多项式函数，degree为多项式最高次数，这里是三次多项式，C代表允许的软间隔内的异常样本数量。
具体问题具体对待。
【机器学习】支持向量机 SVM（非常详细）
https://zhuanlan.zhihu.com/p/77750026
调参就行了，如果svm实在完成不了你的要求，还不如换个模型。
我这有个机器学习多种分类模型一键训练的demo，拿去用：
https://github.com/aiainui/ML_clf_demo