sklearn.svm.SVC
部分参考官方文档
1、api
class
sklearn.svm.SVC(C=1.0, kernel=’rbf’, degree=3, gamma=’auto_deprecated’, coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape=’ovr’, random_state=None)
其中degree, gamma, coef0是kernel的参数，具体说明如下：
2、参数和“返回”值
参数
| C | svm的参数，参见svm的理论公式 |
| kernel |
内核函数，有以下几种，对应上面图片的公式 ‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’ or a callable |
| degree | poly-kernel的幂指数 |
| gamma | 常用“auto” |
| coef0 | 在poly和sigmid中使用，默认为0 |
| shrinking | 是否使用收缩启发 |
| probablity | 是否启用概率估计 |
| tol | 误差的tolerance，给定迭代次数，最后几次的差值大于这个值，会给出警告（没有收敛） |
| cache_size | 指定核cache的大小 |
| calss_weight |
把类别i的系数C，设置为calss_weight[i]*C， 是字典型变量 |
| verbose | 启用详细输出（我一般没用过） |
| max_iter | 最大的迭代次数 |
| decision_function_shape |
“ovo" one-to-one类型 "ovr" one-to-rest类型 |
| randon_state | 随机数状态 |
“返回”值
（并不是返回，只是执行完以后，可以调用）
| support_ | 支持向量的索引 |
| support_vectors_ | 支持向量 |
| n_support_ | 每个类中支持向量的个数 |
| dual_coef_ | 支持向量的系数 |
| coef_ | 分配给特征的系数，只用于linear kernel |
| intercept_ | 决策函数中的常数 |
| fit_status_ | 喂进数据的状态 |
3、方法
4、应用
1、原始数据：
2、预测的数据：
3、画出边界线
该项目可以在我的github下载，点这里