sklearn svm如何选择核函数_sklearn参数详解—SVM

本篇主要讲讲Sklearn中SVM，SVM主要有LinearSVC、NuSVC和SVC三种方法，我们将具体介绍这三种分类方法都有哪些参数值以及不同参数值的含义。

在开始看本篇前你可以看看这篇：支持向量机详解​mp.weixin.qq.com

LinearSVC

class sklearn.svm.LinearSVC(penalty='l2', loss='squared_hinge', dual=True, tol=0.0001, C=1.0, multi_class='ovr', fit_intercept=True, intercept_scaling=1, class_weight=None, verbose=0, random_state=None, max_iter=1000)

penalty:正则化参数，L1和L2两种参数可选，仅LinearSVC有。

loss:损失函数，有‘hinge’和‘squared_hinge’两种可选，前者又称L1损失，后者称为L2损失，默认是是’squared_hinge’，其中hinge是SVM的标准损失，squared_hinge是hinge的平方。dual:是否转化为对偶问题求解，默认是True。

tol:残差收敛条件，默认是0.0001，与LR中的一致。

C:惩罚系数，用来控制损失函数的