SVC
SVC用于分類：支持向量分類，基于libsvm實現(xiàn)的，數(shù)據(jù)擬合的時間復(fù)雜度是數(shù)據(jù)樣本的二次方，這使得他很難擴展到10000個數(shù)據(jù)集，當(dāng)輸入是多類別時（SVM最初是處理二分類問題的），通過一對一的方案解決，當(dāng)然也有別的解決辦法。
SVC參數(shù)說明如下：
C：懲罰項，float類型，可選參數(shù)，默認為1.0，C越大，即對分錯樣本的懲罰程度越大，因此在訓(xùn)練樣本中準確率越高，但是泛化能力降低，也就是對測試數(shù)據(jù)的分類準確率降低。相反，減小C的話，容許訓(xùn)練樣本中有一些誤分類錯誤樣本，泛化能力強。對于訓(xùn)練樣本帶有噪聲的情況，一般采用后者，把訓(xùn)練樣本集中錯誤分類的樣本作為噪聲。
kernel：核函數(shù)類型，str類型，默認為’rbf’。可選參數(shù)為：
‘linear’：線性核函數(shù)
‘poly’：多項式核函數(shù)
‘rbf’：徑像核函數(shù)/高斯核
‘sigmod’：sigmod核函數(shù)
‘precomputed’：核矩陣。precomputed表示自己提前計算好核函數(shù)矩陣，這時候算法內(nèi)部就不再用核函數(shù)去計算核矩陣，而是直接用你給的核矩陣，核矩陣需要為n*n的。
degree：多項式核函數(shù)的階數(shù)，int類型，可選參數(shù)，默認為3。這個參數(shù)只對多項式核函數(shù)有用，是指多項式核函數(shù)的階數(shù)n，如果給的核函數(shù)參數(shù)是其他核函數(shù)，則會自動忽略該參數(shù)。
gamma：核函數(shù)系數(shù)，float類型，可選參數(shù)，默認為auto。只對’rbf’ ,’poly’ ,’sigmod’有效。如果gamma為auto，代表其值為樣本特征數(shù)的倒數(shù)，即1/n_features。
coef0：核函數(shù)中的獨立項，float類型，可選參數(shù)，默認為0.0。只有對’poly’ 和,’sigmod’核函數(shù)有用，是指其中的參數(shù)c。
probability：是否啟用概率估計，bool類型，可選參數(shù)，默認為False，這必須在調(diào)用fit()之前啟用，并且會fit()方法速度變慢。
shrinking：是否采用啟發(fā)式收縮方式，bool類型，可選參數(shù)，默認為True。
tol：svm停止訓(xùn)練的誤差精度，float類型，可選參數(shù)，默認為1e^-3。
cache_size：內(nèi)存大小，float類型，可選參數(shù)，默認為200。指定訓(xùn)練所需要的內(nèi)存，以MB為單位，默認為200MB。
class_weight：類別權(quán)重，dict類型或str類型，可選參數(shù)，默認為None。給每個類別分別設(shè)置不同的懲罰參數(shù)C，如果沒有給，則會給所有類別都給C=1，即前面參數(shù)指出的參數(shù)C。如果給定參數(shù)’balance’，則使用y的值自動調(diào)整與輸入數(shù)據(jù)中的類頻率成反比的權(quán)重。
verbose：是否啟用詳細輸出，bool類型，默認為False，此設(shè)置利用libsvm中的每個進程運行時設(shè)置，如果啟用，可能無法在多線程上下文中正常工作。一般情況都設(shè)為False，不用管它。
max_iter：最大迭代次數(shù)，int類型，默認為-1，表示不限制。
decision_function_shape：決策函數(shù)類型，可選參數(shù)’ovo’和’ovr’，默認為’ovr’?！痮vo’表示one vs one，’ovr’表示one vs rest。
random_state：數(shù)據(jù)洗牌時的種子值，int類型，可選參數(shù)，默認為None。偽隨機數(shù)發(fā)生器的種子,在混洗數(shù)據(jù)時用于概率估計。
NuSVC
NuSVC（Nu-Support Vector Classification.）：核支持向量分類，和SVC類似，也是基于libsvm實現(xiàn)的，但不同的是通過一個參數(shù)空值支持向量的個數(shù)。
nu：訓(xùn)練誤差的一個上界和支持向量的分數(shù)的下界。應(yīng)在間隔（0，1 ]。
其余同SVC
LinearSVC
LinearSVC（Linear Support Vector Classification）：線性支持向量分類，類似于SVC，但是其使用的核函數(shù)是”linear“上邊介紹的兩種是按照brf（徑向基函數(shù)計算的，其實現(xiàn)也不是基于LIBSVM，所以它具有更大的靈活性在選擇處罰和損失函數(shù)時，而且可以適應(yīng)更大的數(shù)據(jù)集，他支持密集和稀疏的輸入是通過一對一的方式解決的。
LinearSVC 參數(shù)解釋
C：目標函數(shù)的懲罰系數(shù)C，用來平衡分類間隔margin和錯分樣本的，default C = 1.0；
loss：指定損失函數(shù)
penalty ：
dual ：選擇算法來解決對偶或原始優(yōu)化問題。當(dāng)nsamples>nfeaturesnsamples>nfeatures 時dual=false。
tol ：（default = 1e - 3）: svm結(jié)束標準的精度;
multi_class：如果y輸出類別包含多類，用來確定多類策略， ovr表示一對多，“crammer_singer”優(yōu)化所有類別的一個共同的目標 。如果選擇“crammer_singer”，損失、懲罰和優(yōu)化將會被被忽略。
fit_intercept ：
intercept_scaling ：
class_weight ：對于每一個類別i設(shè)置懲罰系數(shù)C=classweight[i]?CC=classweight[i]?C,如果不給出，權(quán)重自動調(diào)整為 nsamples/(nclasses?np.bincount(y))nsamples/(nclasses?np.bincount(y))
