sklearn中svm详解

1、SVC函数原型

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
decision_function_shape=None, degree=3, gamma=‘auto’, kernel=‘rbf’,
max_iter=-1, probability=False, random_state=None, shrinking=True,
tol=0.001, verbose=False)

2、参数详解

• C：惩罚参数。 默认值是1.0，C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但容易过拟合，高方差，泛化能力弱。C值小，对误分类的惩罚减小，允许容错，将他们当成噪声点，泛化能力较强，但过小容易欠拟合，高偏差。
• cache_size ：核函数cache缓存大小，默认为200。
• class_weight ：类别的权重，字典形式传递。设置第几类的参数C为weight*C(C-SVC中的C)
• coef0 ：核函数的常数项。对于‘poly’和 ‘sigmoid’有用。
• decision_function_shape ：‘ovo’, ‘ovr’ or None, default=ovr
• degree ：多项式poly函数的维度，默认是3，选择其他核函数时会被忽略。
• gamma ： ‘rbf’,‘poly’和‘sigmoid’的核函数参数。默认是’auto’，如果是auto，则值为1/n_features
• kernel ：核函数。默认是’rbf’，可以是‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’
  　　0 – 线性࿱