（6）机器学习_支持向量机

1、什么是支持向量机

$class sklearn.svm.SVC(*, C=1.0, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, probability=False, tol=0.001, cache\_size=200, class\_weight=None, verbose=False, max\_iter=- 1, decision\_function\_shape='ovr', break\_ties=False, random\_state=None)$
支持向量机在处理线性数据和非线性数据方面有着强大的功能，

核函数：其中SVM的核函数的功能为将非线性数据转化为线性数据，变为更高维或者无穷维。
超平面：如果数据是二维数据，超平面为直线，如果数据是三维，超平面为平面，以此类推。超平面尽可能的将两类分开。
支持向量：离超平面最近的训练样本。

$class sklearn.svm.LinearSVC(penalty='l2', loss='squared\_hinge', *, dual=True, tol=0.0001, C=1.0, multi\_class='ovr', fit\_intercept=True, intercept\_scaling=1, class\_weight=None, verbose=0, random\_state=None, max\_iter=1000)$

penalty:{‘l1’, ‘l2’}, default=’l2’指定惩罚中使用的规范。 SVC中使用的标准是“ l2”惩罚。 “ l1”会导致稀疏的coef_向量。
dual:bool, default=True,选择算法来解决对偶或原始优化问题。 当n_samples> n_features时，首选dual = False。

2、支持向量机有什么不一样的特点

3、支持向量机参数介绍

C:正则化参数，正则化的强度与C成反比。正浮点数（给训练的目标函数增加一些限制）
propability:是否启用概率估计，True时会降低模型训练速度，内部使用的5折交叉验证
gamma:‘auto’,‘scale’,或者浮点数和准确度相关
kenel：内核,‘rbf’,'liner’等

4、支持向量机实现案例