sklearn.svm.SVC()函数解析（最清晰的解释）

sklearn.svm.SVC()函数全称为C-支持向量分类器。

class sklearn.svm.SVC(C=1.0, kernel=’rbf’, degree=3, gamma=’auto_deprecated’, 
					coef0=0.0, shrinking=True, probability=False, tol=0.001, 
					cache_size=200, class_weight=None, verbose=False, max_iter=-1, 
					decision_function_shape=’ovr’, random_state=None)

该实现基于libsvm，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。

参数：

• C ： float，可选(默认值= 1.0)
  错误术语的惩罚参数C。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 ： string，optional(default =‘rbf’)
  核函数类型，str类型，默认为’rbf’。可选参数为：

  • ’linear’：线性核函数
  • ‘poly’：多项式核函数
  • ‘rbf’：径像核函数/高斯核
  • ‘sigmod’：sigmod核函数
  • ‘precomputed’：核矩阵
  • precomputed表示自己提前计算好核函数矩阵，这时候算法内部就不再用核函数去计算核矩阵，而是直接用你给的核矩阵，核矩阵需要为n*n的。

• degree ： int，可选(默认= 3)
  多项式核函数的阶数，int类型，可选参数，默认为3。这个参数只对多项式核函数有用，是指多项式核函数的阶数n，如果给的核函数参数是其他核函数，则会自动忽略该参数。

• gamma ： float，optional(默认=‘auto’)
  核函数系数，float类型，可选参数，默认为auto。只对’rbf’ ,’poly’ ,’sigmod’有效。如果gamma为auto，代表其值为样本特征数的倒数，即1/n_features。

• coef0 ： float，optional(默认值= 0.0)
  核函数中的独立项，float类型，可选参数，默认为0.0。只有对’poly’ 和,’sigmod’核函数有用，是指其中的参数c。

• shrinking ： 布尔值，可选(默认= True)
  是否采用启发式收缩方式，bool类型，可选参数，默认为True。

• probability ： 布尔值，可选(默认=False)
  是否启用概率估计，bool类型，可选参数，默认为False，这必须在调用fit()之前启用，并且会fit()方法速度变慢。

• tol ： float，optional(默认值= 1e-3)
  svm停止训练的误差精度，float类型，可选参数，默认为1e^-3。

• cache_size ： float，可选（默认为200）
  内存大小，float类型，可选参数，默认为200。指定训练所需要的内存，以MB为单位，默认为200MB。

• class_weight ： {dict，‘balanced’}，可选
  类别权重，dict类型或str类型，可选参数，默认为None。给每个类别分别设置不同的惩罚参数C，如果没有给，则会给所有类别都给C=1，即前面参数指出的参数C。如果给定参数’balance’，则使用y的值自动调整与输入数据中的类频率成反比的权重。

• verbose ： bool，默认值：False
  是否启用详细输出，bool类型，默认为False，此设置利用libsvm中的每个进程运行时设置，如果启用，可能无法在多线程上下文中正常工作。一般情况都设为False，不用管它。

• max_iter ： int，optional(默认值= -1)
  最大迭代次数，int类型，默认为-1，表示不限制。

• decision_function_shape ： ‘ovo’，‘ovr’，默认=‘ovr’
  决策函数类型，可选参数’ovo’和’ovr’，默认为’ovr’。’ovo’表示one vs one，’ovr’表示one vs rest。

• random_state ： int，RandomState实例或None，可选(默认=无)
  数据洗牌时的种子值，int类型，可选参数，默认为None。伪随机数发生器的种子,在混洗数据时用于概率估计。

例子：

>>> import numpy as np
>>> X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
>>> y = np.array([1, 1, 2, 2])
>>> from sklearn.svm import SVC
>>> clf = SVC(gamma='auto')
>>> clf.fit(X, y) 
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
    decision_function_shape='ovr', degree=3, gamma='auto', kernel='rbf',
    max_iter=-1, probability=False, random_state=None, shrinking=True,
    tol=0.001, verbose=False)
>>> print(clf.predict([[-0.8, -1]]))
[1]

SVM算法实现理论和代码在博客：【机器学习】《机器学习实战》读书笔记及代码：第6章 - 支持向量机