1. sklearn中的LinearSVC与SVC的区别

这两种都能够实现SVM算法，但是他们是基于不同的底层实现的。
LinearSVC：

• 基于liblinear库实现
• 只有两种损失函数供选择，其默认的是squared_hinge loss
• 针对于大样本能够实现较快的运算速度与较好的效果
• 多分类采用的是OVR(one vs rest)

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：字符串。可取值为'l1'和'l2'分别对应1范数和2范数
		loss：字符串。表示损失函数。可取值为'hinge'：合页损失函数；'squared_hinge'：合页损失函数的平方
		dual：布尔值。如果为true，则求解对偶问题。如果为false，解决原始问题。当样本数量>特征数量时，倾向采用解原始问题
		tol：浮点数，指定终止迭代的阈值
		C：一个浮点数，惩罚参数
		multi_class: 字符串，指定多分类问题的策略，'ovr': 采用one-vs-rest分类策略；'crammer_singer': 多类联合分类，很少用。因为它的计算量大，而且精度不会更佳
		fit_intercept: 布尔值。如果为true，则计算截距，即决策函数中的常数项；否则忽略截距
		intercept_scaling: 浮点值。如果提供了，则实例X变成向量[X,intercept_scaling]。此时相当于添加了一个人工特征，该特征对所有实例都是常数值
		class_weight: 可以是个字典，或者字符串’balanced’。指定各个类的权重，若未提供，则认为类的权重为1。如果是字典，则指定每个类标签的权重；如果是'balanced'，则每个类的权重是它出现频率的倒数
		verbose: 一个整数，表示是否开启verbose输出
		random_state: 一个整数或者一个RandomState实例，或者None。如果为整数，则它指定随机数生成器的种子如果为RandomState实例，则指定随机数生成器。如果为None，则使用默认的随机数生成器
		max_iter:一个整数，指定最大的迭代次数

SVC:

• 基于libsvm库实现的
• 默认损失函数为hinge loss
• 对于大样本往往很难收敛
• 多分类既可采用OVO(One vs One)也可采用OVR(One vs Rest)

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=None,random_state=None)

	 C：C-SVC的惩罚参数C，默认值是1.0。C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱。C值小，对误分类的惩罚减小，允许容错，将他们当成噪声点，泛化能力较强。
	kernel ：核函数，默认是rbf，可以是‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’ 
	 degree ：多项式poly函数的维度，默认是3，选择其他核函数时会被忽略。
	gamma ： ‘rbf’,‘poly’ 和‘sigmoid’的核函数参数。默认是’auto’，则会选择1/n_features
	coef0 ：核函数的常数项。对于‘poly’和 ‘sigmoid’有用。
	probability ：是否采用概率估计？.默认为False
	shrinking ：是否采用shrinking heuristic方法，默认为true
	tol ：停止训练的误差值大小，默认为1e-3
	cache_size ：核函数cache缓存大小，默认为200
	class_weight ：类别的权重，字典形式传递。设置第几类的参数C为weight*C(C-SVC中的C)
	verbose ：允许冗余输出？
	max_iter ：最大迭代次数。-1为无限制。
	decision_function_shape ：‘ovo’, ‘ovr’ or None, default=None3
	random_state ：数据洗牌时的种子值，int值

2. SVM分类器的实现

from sklearn.metrics import accuracy_score


from sklearn.svm import SVC
svm_model = SVC(kernel = 'linear')

#f rom sklearn.svm import LinearSVC
# svm_model = LinearSVC()

svm_model.fit(train_x,train_y)

predict1 = svm_model.predict(train_x)
accuracy1 = accuracy_score(train_y,pred1)
print(accuracy1)

predict2 = svm_model.predict(test_x)
accuracy2 = accuracy_score(test_y,pred2)
print(accuracy2)

参考文献

(本文谨作为学习道路上的记载，不作任何商业用途，如有侵权，私信立删。如果该文章能对您的学习工作产生些许帮助，那这篇文档的意义将被无限放大)

[1] sklearn.svm.LinearSVC与sklearn.svm.SVC区别
[2] sklearn里LinearSVC与SVC区别
[3] sklearn.svm.LinearSVC函数
[4] sklearn.svm.SVC函数
[5] sklearn.svm.SVC 参数说明