sklearn.svm.LinearSVC与sklearn.svm.SVC区别

1.LinearSVC与SVC的区别
LinearSVC

• 基于liblinear库实现
• 有多种惩罚参数和损失函数可供选择
• 训练集实例数量大（大于1万）时也可以很好地进行归一化
• 既支持稠密输入矩阵也支持稀疏输入矩阵
• 多分类问题采用one-vs-rest方法实现

SVC

• 基于libsvm库实现
• 训练时间复杂度为 [公式]
• 训练集实例数量大（大于1万）时很难进行归一化
• 多分类问题采用one-vs-rest方法实现

2.LinearSVC详细说明
LinearSVC实现了线性分类支持向量机，它是给根据liblinear实现的，可以用于二类分类，也可以用于多类分类。其原型为：class Sklearn.svm.LinearSVC(penalty=’l2’, loss=’squared_hinge’, dual=True, tol=0.0001, C=1.0, multi_class=’ovr’, fit_intercept=True, intercept_scaling=1, class_weight=None, verbose=0, random_state=None, max_iter=1000)

初始化参数

• C：一个浮点数，惩罚参数

• loss：字符串。表示损失函数。可取值为

• ’hinge’：合页损失函数；

• ’squared_hinge’：合页损失函数的平方

• penalty：字符串。可取值为’l1’和’l2’分别对应1范数和2范数

• dual：布尔值。如果为true，则求解对偶问题。如果为false，解决原始问题。当样本数量>特征数量时，倾向采用解原始问题

• tol：浮点数，指定终止迭代的阈值

• multi_class: 字符串，指定多分类问题的策略

• ’ovr’: 采用one-vs-rest分类策略；

• ’crammer_singer’: 多类联合分类，很少用。因为它的计算量大，而且精度不会更佳，此时忽略loss,penalty,dual参数

• fit_intercept: 布尔值。如果为true，则计算截距，即决策函数中的常数项；否则忽略截距

• intercept_scaling: 浮点值。如果提供了，则实例X变成向量[X,intercept_scaling]。此时相当于添加了一个人工特征，该特征对所有实例都是常数值

• class_weight: 可以是个字典，或者字符串’balanced’。指定各个类的权重，若未提供，则认为类的权重为1
  · 如果是字典，则指定每个类标签的权重；
  · 如果是’balanced’，则每个类的权重是它出现频率的倒数

• verbose: 一个整数，表示是否开启verbose输出

• random_state: 一个整数或者一个RandomState实例，或者None
  · 如果为整数，则它指定随机数生成器的种子
  · 如果为RandomState实例，则指定随机数生成器
  · 如果为None，则使用默认的随机数生成器

• max_iter:一个整数，指定最大的迭代次数

属性

• coef_: 一个数组，它给出了各个特征的权重
• intercept_:一个数组，它给出了截距，即决策函数中的常数项

方法

• fix(X,y): 训练模型
• predict(X): 用模型进行预测，返回预测值
• score(X,y[, sample_weight]):返回在(X, y)上预测的准确率