支持向量机SVM

发现一篇非常好的学习SVM的博客

http://blog.csdn.net/on2way/article/details/47731455（1~5系列）

可惜没有python的实现代码

下面是自己写的一个简单Python调用代码以及参数解释

'''
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； ----惩罚系数C越大，对距离越重视 
（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 effective, degree决定了多项式的最高次幂； 
（4）gamma：核函数的系数('Poly', 'RBF' and 'Sigmoid'), 默认是gamma = 1 / n_features  ----gamma越大，映射的维度越低，

         gamma越小，映射的维度越高，应该选择一个适中的gamma。
（5）coef0：核函数中的独立项，'RBF' and 'Poly'有效； 
（6）probablity: 可能性估计是否使用(true or false)； 
（7）shrinking：是否进行启发式；  ----对于大样本数据时，运行快，时间短
（8）tol（default = 1e - 3）: svm结束标准的精度; 
（9）cache_size: 制定训练所需要的内存（以MB为单位）； 
（10）class_weight: 每个类所占据的权重，不同的类设置不同的惩罚参数C, 缺省的话自适应； 
（11）verbose: 跟多线程有关，不大明白啥意思具体； 
（12）max_iter: 最大迭代次数，default = 1， if max_iter = -1, no limited; 
（13）decision_function_shape ： ‘ovo’ 一对一, ‘ovr’ 多对多  or None 无, default=None 
（14）random_state ：用于概率估计的数据重排时的伪随机数生成器的种子。 
 ps：7,8,9一般不考虑。 
'''  
from sklearn.svm import SVC  
import numpy as np  
X= np.array([[-1,-1],[-2,-1],[1,1],[2,1]])   #原始变量
y = np.array([0,0,1,1])    #类别

clf = SVC()  #可调参
s=clf.fit(X,y)
print(s) 
print(clf.predict([[-0.9,-1],[2,3]]))

print(s.support_vectors_)