SVM工具

SVC:支持向量分类

SCR:支持向量回归

sklearn中支持向量分类有三种方法,SVC,NuSVC,LinearSVC
SVC:支持向量分类
NuSCV:核支持向量分类，与SVC类似，不同的是可以使用参数来控制支持向量的个数。
LinearSVC线性支持向量分类，使用核函数是linear
参数：
C:惩罚系数，类似LR中的正则化系数，C越大，惩罚越大，
nu:代表训练集的错误率的上限（NuSVC）
kernel：核函数的类型，RBF,Linear,Poly,Sigmoid
precomputed:默认为RBF
gamma:核函数的系数，默认auto
degree:指定kernel为poly时，选择的多相似的最高次数，默认为三次多项式
probability：是否使用概率估计
shrinking：是否进行启发式，SVM只用少量样本进行计算
penalty：正则化参数，l1和l2，近LinearSVC有
loss：损失函数，有’hinge’和‘squared_hinge
tol：残差收敛条件，默认0.0001，

Kernel：核选择技巧：
1，样本数量<特征数：
简单的使用线性核
可以先对数据进行阿静为，然后使用非线性核
2，样本数量>=特征数：
可以使用非线性核，将样本映射到更高维度，可以得到较好的结果。

SVM:适用场景
优点
可以解决高维问题，（大型特征空间）
能够处理非线性特征相互作用：
余姚先对数据进行归一化，因为计算是基于距离的，模型
所以SVM和LR都需要对数据进行归一化处理
缺点：
当样本很多时，效率并不高
对非线性问题没有通用的解决方案，可能贵很难找到合适的的核函数
对缺失值比较敏感