sklearn--svm

1,sklearn–svm模型

1, SVM简介与使用流程？
　　SVM方法建立在统计学VC维和结构风险最小化原则上，既可以用于分类（二/多分类）、
　　也可用于回归和异常值检测。SVM具有良好的鲁棒性，对未知数据拥有很强的泛化能力，
　　特别是在数据量较少的情况下，相较其他传统机器学习算法具有更优的性能。　

　　使用SVM作为模型时，通常采用如下流程：
		1，对样本数据进行归一化（数据标准化处理 (值 - 平均值)/标准差）
		2，应用核函数对样本进行映射（最常采用和核函数是RBF和Linear，在样本线性可分时，
		Linear效果要比RBF好）
		3，用cross-validation和grid-search对超参数进行优选
		4，用最优参数训练得到模型
		5，测试
　    sklearn中支持向量分类主要有三种方法：SVC、NuSVC、LinearSVC，
　    扩展为三个支持向量回归方法：SVR、NuSVR、LinearSVR。

　　SVC和NuSVC方法基本一致，唯一区别就是损失函数的度量方式不同（NuSVC中的nu参数和SVC中的C参数）；
　　LinearSVC是实现线性核函数的支持向量分类，没有kernel参数，也缺少一些方法的属性，如support_等。

from sklearn import svm

svm.SVC(C=1.0,                          # 惩罚系数，越大越准确，但泛化弱，容易过拟合
					kernel='rbf', 		      # 核函数类型，可选参数有 rbf, linear, poly, sigmoid，precomputed,默认rbf
					degree=3, 				  # 当kernel为poly时才有效，表示多项式的最高次数
					gamma='auto',       # 核函数系数,默认auto，使用特征数的倒数。此值越大，越容易过拟合  
					coef0=0.0,