sklearn.svm.SVC

参数说明

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

1. C：C-SVC的惩罚参数C?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。
2. kernel：核函数，默认是rbf，可以是’linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’
   
   1. – 线性：u’v
   2. – 多项式：(gamma*u’*v + coef0)^degree
   3. – RBF函数：exp(-gamma|u-v|^2)
   4. –sigmoid：tanh(gamma*u’*v + coef0)
3. 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。
4. gamma ： ‘rbf’,‘poly’ 和‘sigmoid’的核函数参数。默认是’auto’，则会选择1/n_features
5. coef0 ：核函数的常数项。对于‘poly’和 ‘sigmoid’有用。
6. probability ：是否采用概率估计？.默认为False
7. shrinking ：是否采用shrinking heuristic方法，默认为true
8. tol ：停止训练的误差值大小，默认为1e-3
9. cache_size ：核函数cache缓存大小，默认为200
10. 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)
11. verbose ：允许冗余输出？
12. max_iter ：最大迭代次数。-1为无限制。
13. decision_function_shape ：‘ovo’, ‘ovr’ or None, default=None3
14. random_state ：数据洗牌时的种子值，int值

主要调节的参数有：C、kernel、degree、gamma、coef0。