Scikit-learn section10 for cvpytorch

英文官方教程链接如下：

https://scikit-learn.org/stable/modules/svm.htmlhttps://scikit-learn.org/stable/modules/svm.html

想必大家都听过支持向量机这个概念了吧，我并不是太懂，但我觉得很有必要学一学。也学那些前辈也是在不停的探索之中慢慢成为高手的吧。

---

支持向量机 (SVMs) 是一种有监督学习方法。

它的优点有：一，在高维空间有效。二，维度数比样本数大的时候有效。三， 有效记忆。四，可以为决策函数指定不同的核函数。

它的缺点有：一，特征数比样本数大得多的时候会导致过拟合。二，它不直接提供概率估计，它使用昂贵的5折交叉验证。

---

官网展示的有 SVC、LinearSVC 等。说实话，这部分讲的还是挺难的，我也有许多地方没能搞懂。下面是类的介绍。

参数	描述
C	float，default=1.0，正则化参数，越大越强。
kernel	{'linear','poly','rbf','sigmoid','precomputed'} or callable，default='rbf'。指定算法中使用的内核类型。
degree	int，default=3，poly 核的度。
gamma	{'scale','auto'} or float，default='scale'，针对 'rbf','poly','sigmoid' 的核系数。
coef0	float，default=0.0，只在 'poly','sigmoid' 中重要。
shrinking	bool，default=True，是否使用 shrinking heuristic。
probability	bool，default=False，是否启用概率估计。在调用 ‘fit’ 之前必须启用该选项，浙江减慢该方法的速度，因为它内部使用5折交叉验证，‘predict_proba’ 可能与 ‘predict’ 不一致。
tol	float，default=1e-3，停止标准的公差。
cache_size	float，default=200，指定 kernel cache 的大小。
class_weight	dict or 'balanced'，default=None，将 i 类的参数 C 设成 class_weight[i]*C。如果没指定，所有类都应该有一个权重。'balanced' 模式使用 y 的值自动调整权重，该权重与输入数据中的类频率成反比，如 “n_samples/(n_classes*np.bincount(y))”。
verbose	bool，default=False，启用详细输出。
max_iter	int，default=-1，解算器内迭代的硬限制，-1代表没限制。
decision_function_shape	{'ovo','ovr'}，default='ovr'，是否想起他分类器一样返回一个形为 (n_samples,n_classes) 的决策函数或是原始形状的 libsvm 的一对一决策函数。一对一 (ovo) 常用做多类别策略。
break_ties	bool，default=False。如果为True，decision_function_shape=‘ovr’，类别数大于2，‘predict’将会根据 decision_function 的信度值 解除绑定。否则在在绑定类别中的第一个类别将被返回。
random_state	int，RandomState 实例或 None，default=None。控制用作为了概率评估而打乱数据的伪随机数生成器。
类属性
.class_weight_	形如 (n_classes,) 的数组，每类参数 C 的乘数。
.classes_	形如 (n_classes,) 的数组，类标签
.coef_	形如 (n_classes*(n_classes-1)/2,n_features) 的数组，给特征指定的权重，支队线性核的情况有用。
.dual_coef_	形如 (n_classes-1,n_SV) 的数组，决策函数中支持向量的对偶系数。
.fit_status_	int，如果正确拟合则为0，否则为1
.intercept_	形如 (n_classes*(n_classes-1)/2,) 的数组，决策函数里的常量。
.n_features_in_	拟合时的特征数量。
.feature_names_in_	形如 (n_features_in_,) 的数组，拟合过程中特征的名称。
.support_	形如 (n_SV) 的数组，支持向量的切片。
.support_vectors_	形如 (n_SV,n_features) 的数组，支持向量。
.n_support_	形如 (n_classes,) 的数组，每类的支持向量的数量。
.probA_	形如 (n_classes*(n_classes-1)/2) 的数组。
.probB_	形如 (n_classes*(n_classes-1)/2) 的数组。如果 'probability=True'，它对应于在Platt缩放中学习的参数，以根据决策值生成概率估计。否则为空数组。
.shape_fit_	形如 (n_dimensions_of_X,) 的整形元组。