sklearn集成支持向量机svm.SVC参数说明

经常用到sklearn中的SVC函数，这里把文档中的参数翻译了一些，以备不时之需。

本身这个函数也是基于libsvm实现的，所以在参数设置上有很多相似的地方。（PS: libsvm中的二次规划问题的解决算法是SMO）。
sklearn.svm.SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', coef0=0.0, shrinking=True, probability=False,

tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape=None,random_state=None)

参数：

C：C-SVC的惩罚参数C?默认值是1.0

C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱。C值小，对误分类的惩罚减小，允许容错，将他们当成噪声点，泛化能力较强。

kernel：核函数，默认是rbf，可以是‘linear’,
‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’

　　0 – 线性：u'v

　　 1 – 多项式：(gamma*u'*v + coef0)^degree

　　2 – RBF函数：exp(-gamma|u-v|^2)

　　3 –sigmoid：tanh(gamma*u'*v + coef0)

，选择其他核函数时会被忽略。

gamma ： ‘rbf’,‘poly’ 和‘sigmoid’的核函数参数。默认是’auto’，则会选择1/n_features

coef0 ：核函数的常数项。对于‘poly’和 ‘sigmoid’有用。

probability：是否采用概率估计？.默认为False

shrinking：是否采用shrinking heuristic方法，默认为true

tol：停止训练的误差值大小，默认为1e-3

class_weight：类别的权重，字典形式传递。设置第几类的参数C为weight*C(C-SVC中的C)

verbose：允许冗余输出？

max_iter：最大迭代次数。-1为无限制。

decision_function_shape：‘ovo’, ‘ovr’ or None, default=None3

random_state：数据洗牌时的种子值，int值

主要调节的参数有：C、kernel、degree、gamma、coef0。

仅供参考，正确性自行检测，最好阅读官方文档。