1.sklearn参数详解—SVM
2.SVM参数: C和gamma

sklearn参数详解—SVM

       Sklearn中SVM分为LinearSVC、源码NuSVC和SVC三种。解析以下是源码参数详解：

       LinearSVC：参数有：penalty（正则化参数）、loss（损失函数）、解析dual（是源码否转化为对偶问题）、tol（收敛条件）、解析宽带预约系统源码C（惩罚系数）、源码multi_class（多分类策略）、解析fit_intercept（计算截距）、源码class_weight（不平衡样本权重）、解析verbose（显示冗余）、源码random_state（随机种子大小）、解析网页源源码max_iter（最大迭代次数）。源码结果包括：coef_（系数）、解析intercept_（截距）。源码

       NuSVC：参数包含：nu（训练误差部分上限与支持向量部分下限）、kernel（核函数，如线性、多项式、高斯、sigmod）、degree（多项式核函数最高次数）、gamma（核函数系数，php绘图源码默认“auto”）、coef0（多项式、sigmod函数中的常数）、max_iter（最大迭代次数，默认无限制）、probability（使用概率估计）、decision_function_shape（多分类形式）、cache_size（缓冲大小）。结果包括：support_（支持向量索引）、support_vectors_（支持向量）、n_support_（每类支持向量个数）、bufpay源码出售dual_coef_（支持向量系数）、coef_（系数，线性核时可用）、intercept_（截距）。

       SVC：参数与NuSVC相似，区别在于损失函数度量方式。方法有：decision_function(X)（获取距离）、fit(X, y)（训练模型）、get_params(deep)（获取参数）、predict(X)（预测标签）、score(X,源码转转cb y)（平均准确率）。结果为：coef_（系数）、intercept_（截距）。

       以上参数选择需依据实际问题和需求，结合使用效果调整，合理配置以实现最优分类结果。

SVM参数: C和gamma

       SVM参数C与gamma的设置至关重要。C参数，作为惩罚系数，决定了模型对误差的容忍度。C值较高时，模型试图完全避免误差，这可能导致过拟合，即模型在训练数据上的表现过于优秀，而对新数据的预测能力下降。相反，C值较小时，模型可能允许一定程度的误差，避免过拟合，但可能过早地忽略重要模式，导致欠拟合。因此，C值的选择需要在过拟合与欠拟合之间找到平衡。

       gamma参数，用于选择径向基函数（RBF）作为内核时，对数据映射至特征空间后分布的影响。较大的gamma值导致支持向量数量减少，意味着模型的复杂度降低，可能因过于简化而欠拟合。反之，较小的gamma值支持向量数量增加，模型复杂度提高，可能导致过拟合。gamma值的选择直接影响模型训练与预测的速度，更优的选择能平衡模型复杂度与泛化能力。

       C与gamma参数独立设置，它们对模型性能的影响相互独立。正确选择C与gamma值的关键在于找到模型的泛化能力与拟合能力之间的最佳平衡。例如，设定gamma值过大，高斯分布狭窄，模型仅关注支持向量样本附近，对未知样本分类效果不佳，可能产生过拟合问题。相反，设定gamma值过小，高斯分布平滑，模型难以在训练集上获得高准确率，也可能导致欠拟合。

       RBF核函数的SVM能够得出的两个结论是：样本数量少于特征维度并不一定导致过拟合，RBF核可能在某些情况下与线性核效果相近或更好，但在特定情况下，如高维数据或大样本量问题，线性核在速度和模型大小方面具有优势。

       在实际应用中，调整C与gamma值的过程通常需要通过交叉验证等方法进行，以找到最优化的参数组合，确保模型在训练集和测试集上均表现出良好的性能。