sklearn.svm.SVC的参数学习笔记

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)

1.SVR参数

SVR参数	参数说明
C	默认值为1:错误分类样本的惩罚因子，C越大，惩罚力度越大，倾向于选择复杂的模型，减少错分样本，C越小，惩罚力度越小，倾向于选择简答的模型
kernel	默认选择径向基核函数’rbf ,也可选择’linear’,‘poly’,'sigmod’核函数，点击kernel参数说明
degree	默认为3次多项式， 在选择kernel='poly’时有效，degree决定了多项式的最高次幂
gamma	核函数的系数(‘Poly’, ‘RBF’ and ‘Sigmoid’), 默认是gamma = 1 / n_features ,n_features为样本原始特征数量
coef0	默认为0，kernel选择’rbf’ and 'poly’有效,代表核函数中的偏置项
shrinking	是否进行启发式
probability	默认为False,指的是预测判定的时候是否采用概率估计
tol=0.001	SVM结束时能容忍的精度
cache_size=200	指定训练时需要设定的内核缓存大小
class_weight=None	权值分配，对不同类设定不同的惩罚因子第i类的惩罚因子，C[i]=class_weight [i] * C，默认为None，即认为每个类的权重均为1，也可设置为’balance’,自动根据不同类的样本个数匹配权重，也可以设置字典形式的权重
verbose=False	在训练完成之后，会把训练的详细日志打印出来，比如可以看到训练了多少步，训练的目标值是多少 等，在多线程下不要使用
max_iter=-1	最大迭代次数限制，优先级高于tol,即无论精度是否到达，都要停止，默认为-1，没有迭代次数限制
decision_function_shape=’ovr’	基本的SVM问题适用于二分类问题，若要进行多分类问题，则可以采取’ovo’,一对一，或’ovr’一对多，可以使svm适用于多分类问题
random_state=None	机器学习算法在训练时，通常要先将训练数据打乱顺序，用来提高分类精度，这里就用到了伪随机序列。给定该参数一个整数，则该整数就是伪随机序列的种子值，可以实现打乱顺序的复现，从而实现学习结果复现；如果给定的就是一个随机实例，则采用给定的随机实例来进行打乱处理；如果啥都没给，则采用默认的 np.random实例来处理

2.SVC属性

属性	属性说明
support_	返回支持向量的索引
support_vectors_	支持向量的索引及支持向量
n_support_	每一类中支持向量的个数
dual_coef_	决策函数中支持向量的系数
coef_	每一个特征被分配的权值，只在线性核中有效
intercept_	决策函数中的偏置常量

参考：https://scikit-learn.org/dev/modules/generated/sklearn.svm.SVC.html#sklearn.svm.SVC