支持向量机

SVC

1. C: 目标函数的惩罚系数C，用来平衡分类间隔margin和错分样本的，default C = 1.0

2. kernel：参数选择有RBF, Linear, Poly, Sigmoid，或者自定义一个核函数, 默认的是"RBF"，即径向基核，也就是高斯核函数；而Linear指的是线性核函数，Poly指的是多项式核，Sigmoid指的是双曲正切函数tanh核。

3. degree：degree决定了多项式核的最高次幂

4. gamma：核函数的系数('Poly', 'RBF' and 'Sigmoid'), 默认是gamma = 1 / n_features，即核函数的带宽，超圆的半径

5. coef0：核函数中的独立项，'RBF' and 'Poly'有效，即加在这两种核函数后面的bias值，次幂为0的项，默认是0.0，即认为多项式的核的常数项为0；

6. probablity: 布尔取值，默认是false，指的是预测判定的时候是否采用概率估计；

7. shrinking：是否进行启发式；

8. tol（default = 1e - 3）: svm结束标准的精度，即容忍1000分类里出现一个错误;

9. cache_size: 制定训练所需要的内存（以MB为单位）；

10. class_weight: 正类和反类的样本数量是不一样的，这里就会出现类别不平衡问题，该参数就是指每个类所占据的权重，默认为1，即默认正类样本数量和反类一样多，也可以用一个字典dict指定每个类的权值，或者选择默认的参数balanced，指按照每个类中样本数量的比例自动分配权值。

11. verbose: 在训练数据完成之后，会把训练的详细信息全部输出打印出来，可以看到训练了多少步，训练的目标值是多少；但是在多线程环境下，由于多个线程会导致线程变量通信有困难，因此verbose选项的值就是出错，所以多线程下不要使用该参数。

12. max_iter: 最大迭代次数，这个是硬限制，它的优先级要高于tol参数，不论训练的标准和精度达到要求没有，都要停止训练。默认值是-1，指没有最大次数限制;

13. decision_function_shape ： 原始的SVM只适用于二分类问题，如果要将其扩展到多类分类，就要采取一定的融合策略，这里提供了三种选择。‘ovo’ 一对一，决策所使用的返回的是（样本数，类别数*(类别数-1)/2）, ‘ovr’ 一对多，返回的是(样本数，类别数)，或者None，就是不采用任何融合策略, 默认是ovr，因为此种效果要比oro略好一点。

14. random_state ：在使用SVM训练数据时，要先将训练数据打乱顺序，用来提高分类精度，这里就用到了伪随机序列。如果该参数给定的是一个整数，则该整数就是伪随机序列的种子值；如果给定的就是一个随机实例，则采用给定的随机实例来进行打乱处理；如果啥都没给，则采用默认的 np.random实例来处理。

1. support_ : 是一个array类型，它指的是训练出的分类模型的支持向量的索引，即在所有的训练样本中，哪些样本成为了支持向量。

2. support_vectors_: 支持向量的集合，即汇总了当前模型的所有的支持向量。

3. n_support_ : 比如SVC将数据集分成了4类，该属性表示了每一类的支持向量的个数。

4. dual_coef_ :array, shape = [n_class-1, n_SV] 对偶系数。支持向量在决策函数中的系数，在多分类问题中，这个会有所不同。

5. coef_ : array,shape = [n_class-1, n_features] 该参数仅在线性核时才有效，指的是每一个属性被分配的权值。

6. intercept_ :array, shape = [n_class * (n_class-1) / 2] 决策函数中的常数项bias。和coef_共同构成决策函数的参数值。

SVR