svm核函数gamma参数_svm常用核函数介绍

这里有一篇博文介绍了，每个核函数的用途：

https://blog.csdn.net/batuwuhanpei/article/details/52354822

在吴恩达的课上，也曾经给出过一系列的选择核函数的方法：

1、如果特征的数量大到和样本数量差不多，则选用LR或者线性核的SVM；

2、如果特征的数量小，样本的数量正常，则选用SVM+高斯核函数；

3、如果特征的数量小，而样本的数量很大，则需要手工添加一些特征从而变成第一种情况。

大牛对这3点的理解：

(1)如果特征维数很高，往往线性可分(SVM解决非线性分类问题的思路就是将样本映射到更高维的特征空间中)，可以采用LR或者线性核的SVM；

(2)如果样本数量很多，由于求解最优化问题的时候，目标函数涉及两两样本计算内积，使用高斯核明显计算量会大于线性核，所以手动添加一些特征，使得线性可分，然后可以用LR或者线性核的SVM；

(3)如果不满足上述两点，即特征维数少，样本数量正常，可以使用高斯核的SVM。

SVC参数解释：

(1)C: 目标函数的惩罚系数C，用来平衡分类间隔margin和错分样本的，default C = 1.0；

(2)kernel：参数选择有RBF, Linear, Poly, Sigmoid, 默认的是"RBF";

(3)degree：if you choose 'Poly' in param 2, this is effe