SKlearn(二)之----SVM

                                                        支持向量机

---

支持向量机(SVMs）可以用于以下监督学习分类，回归和异常检测 

支持向量机的优势在于：

• 在高位空间中非常有效
• 即使在数据维度比样本数量大的情况下仍然有效
• 在决策函数中使用训练集的子集，因此他也是高效利用内存
• 通用性：不同的核函数与特定的决策函数--赌赢。常见的kernel已经提供可以指定定制的内核。

支持向量机的缺点：

• 如果特征你数量比样本数量大的多，在选择核函数的时候要避免过拟合，正则化项是非常重要的
• 支持向量机不直接提供概率估计，这些都是使用昂贵的五次交叉验算计算的（这个我们在后续的章节会讲到）

---

1.首先说明SVC，NuSVC和linearSVC三个类

    1.1  SVC

            

	class sklearn.svm.SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', 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)¶
	名称	参数说明
	C : float, optional (default=1.0)	错误项的惩罚系数，C越大，对分错样本的惩罚越大，训练样本的准确率越高。但是泛化能力减低，对测试数据的准确率下降。如果减小C的话，容许训练样本中分类错误样本，泛化能力强。一般选择后者
	kernel : string, optional (default=’rbf’)	采用核函数的类型可选的有：linear--线性核函数 ;poly--多项式核函数；rbf--径向核函数/高斯函数；sigmod:sigmod核函数；precomputed:矩阵函数
	degree : int, optional (default=3)	仅仅对多项式核函数有用,值多项式核函数的结束n,如果是其他的核函数会自动忽略
	gamma : float, optional (default=’auto’)	核函数系数，只对  rbf,poly,sigmod有效。默认为1/n_features
	coef0 : float, optional (default=0.0)	核函数中的独立想，对poly和sigmod核函数有用，值得是默认参数C
	probability : boolean, optional (default=False)	是否启用概率估计，这必须在调用之前用fit()启用，并且会让fit()方法变慢