sklearn中的svm算法及其实现

1. sklearn中的LinearSVC与SVC的区别

这两种都能够实现SVM算法，但是他们是基于不同的底层实现的。
LinearSVC：

• 基于liblinear库实现
• 只有两种损失函数供选择，其默认的是squared_hinge loss
• 针对于大样本能够实现较快的运算速度与较好的效果
• 多分类采用的是OVR(one vs rest)

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