1.SVM
Sklearn.svm.SVC参数设置
Sklearn.svm.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=’ovr’,random_state=None)
C: float,optional(default=1.0)
错误项的惩罚参数C
Kernel:string,optional(default=’rbf’)
指定要在算法中使用的内核类型。 它必须是’linear’，‘poly’，‘rbf’，‘sigmoid’，‘precomputed’或者callable之一。 如果没有给出，将使用’rbf’。 如果给出可调用，则它用于从数据矩阵预先计算内核矩阵; 该矩阵应该是一个形状数组（n_samples，n_samples）。
degree: int,option(default=3)
多项式核函数的次数（‘poly’）。 被所有其他内核忽略。
gamma: float,optional(default:’auto’)
‘rbf’，‘poly’和’sigmoid’的核系数。 如果gamma是’auto’，那么将使用1 / n_features。
coef0:float,option(default:0.0)
核函数中的独立项。 它只在’poly’和’sigmoid’中很重要。
probability : boolean, optional (default=False)
是否启用概率估计。 必须在调用fit之前启用它，并且会减慢该方法的速度。
shrinking : boolean, optional (default=True)
是否使用收缩启发式。
tol : float, optional (default=1e-3)
公差停止标准
cache_size : float, optional
指定内核缓存的大小（以MB为单位）。
class_weight : {dict, ‘balanced’}, optional
将类i的参数C设置为SVC的class_weight [i] * C. 如果没有给出，所有类都应该有一个重量。 “平衡”模式使用y的值自动调整与输入数据中的类频率成反比的权重，如n_samples /（n_classes * np.bincount（y））
verbose : bool, default: False
启用详细输出。 请注意，此设置利用libsvm中的每进程运行时设置，如果启用，则可能无法在多线程上下文中正常运行。
max_iter : int, optional (default=-1)
求解器内迭代的硬限制，或无限制的-1。
decision_function_shape : ‘ovo’, ‘ovr’, default=’ovr’
是否将形状（n_samples，n_classes）的one-rest-rest（‘ovr’）决策函数作为所有其他分类器返回，或者返回具有形状的libsvm的原始one-vs-one（‘ovo’）决策函数（n_samples） ，n_classes *（n_classes - 1）/ 2）。
random_state : int, RandomState instance or None, optional (default=None)
在随机数据混洗时使用的伪随机数生成器的种子。 如果是int，则random_state是随机数生成器使用的种子; 如果是RandomState实例，则random_state是随机数生成器; 如果为None，则随机数生成器是np.random使用的RandomState实例。
