SVM

特点：

优势：

• 在高维空间中很有效
• 在数据的维度高于样本数量的情况下依然有效
• 使用数据集中的部分点来构建模型（支持向量），因此消耗内存少

• 通用性，针对不同的情景，可以设置不同的核函数

  劣势

• 当数据的维度远超数据数量时，分类器的表现很差
• SVM不直接提供概率密度估计，而是通过5折交叉验证进行计算

SVC in sklearn

函数原型：

SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', coef0=0.0, shrinking=True, probability=False, tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape=None, random_state=None)[source]

参数设置

• C: 误差项的罚项

• kernel： 内置内核有'linear','poly','rbf','sigmoid','precomputed'

• degree 只适用于poly内核

• gamma：