SVM算法（学习笔记）

SVM：支持向量机，是监督的学习模型，常见的分类方法。
监督学习：事先对数据打上标签，机器就知道数据属于哪个分类。
无监督学习：数据没有分类标签
SVM计算就是找到超平面的过程，超平面就是SVM分类器。
分类间隔：极限位置到最优决策面之间的距离
SVM就是求解最大分类间隔的过程。

硬间隔：完全分类准确
软间隔：允许一定量的样本分类错误
非线性SVM：核函数的选择就是影响SVM最大的变量。
核函数：将原有的样本空间通过核函数投射到一个高维的空间中，变得线性可分。

SVM既可以做回归（SVR和LinearSVR），也可以做分类器(SVC和LinearSVC)
LinearSVC：线性分类器，处理线性可分的数据，只能使用线性核函数
SVC：非线性的数据，既可以使用到线性核函数，也能使用到高维的核函数

SVC 的构造函数：model = svm.SVC(kernel=‘rbf’, C=1.0, gamma=‘auto’)，这里有三个重要的参数 kernel、C 和 gamma。kernel 代表核函数的选择，它有四种选择，只不过默认是 rbf，即高斯核函数。
linear：线性核函数
poly：多项式核函数
rbf：高斯核函数（默认）
sigmoid：sigmoid 核函数