sklearn.svm.SVC

sklearn.svm.SVC

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）

参数：
C ： float，可选（默认值= 1.0） 错误术语的惩罚参数C.

kernel ： string，optional（default =‘rbf’），指定要在算法中使用的内核类型。它必须是’linear’，‘poly’，‘rbf’，‘sigmoid’，‘precomputed’或者callable之一。如果没有给出，将使用’rbf’。如果给出可调用，则它用于从数据矩阵预先计算内核矩阵;
该矩阵应该是一个形状的数组。(n_samples, n_samples)

度 ： int，可选（默认= 3） 多项式核函数的次数（‘poly’）。被所有其他内核忽略。

gamma ： float，optional（默认=‘auto’） ‘rbf’，'poly’和’sigmoid’的核系数。

当前默认值为’auto’，它使用1 / n_features，如果gamma=‘scale’传递，则使用1 /（n_features *
X.var（））作为gamma的值。当前默认的gamma’‘auto’将在版本0.22中更改为’scale’。‘auto_deprecated’，不推荐使用’auto’版本作为默认值，表示没有传递明确的gamma值。

coef0 ： float，optional（默认值= 0.0） 核函数中的独立项。它只在’poly’和’sigmoid’中很重要。

收缩 ： 布尔值，可选（默认= True） 是否使用收缩启发式。

概率 ： 布尔值，可选（默认=假） 是否启用概率估计。必须在调用之前启用它fit，并且会减慢该方法的速度。

tol ： float，optional（默认值= 1e-3） 容忍停止标准。

cache_size ： float，可选 指定内核缓存的大小（以MB为单位）。

class_weight ： {dict，‘balanced’}，可选。
将类i的参数C设置为SVC的class_weight [i] *C. 如果没有给出，所有课程都应该有一个重量。“平衡”模式使用y的值自动调整与输入数据中的类频率成反比的权重n_samples /(n_classes * np.bincount(y))

详细说明 ： bool，默认值：False
启用详细输出。请注意，此设置利用libsvm中的每进程运行时设置，如果启用，则可能无法在多线程上下文中正常运行。

max_iter ： int，optional（默认值= -1） 求解器内迭代的硬限制，或无限制的-1。

decision_function_shape ： ‘ovo’，‘ovr’，默认=‘ovr’
是否将形状（n_samples，n_classes）的one-vs-rest（‘ovr’）决策函数作为所有其他分类器返回，或者返回具有形状的libsvm的原始one-vs-one（‘ovo’）决策函数（n_samples）
，n_classes *（n_classes - 1）/ 2）。但是，一对一（‘ovo’）总是被用作多级策略。

在版本0.19中更改： decis