SVM我们之前介绍过，根据数据样本点是否线性可分，可将其分为线性模型和非线性模型两大类。今天我们主要看下在scikit-learn中SVM是如何实现的。

线性SVM

在scikit-learn中的代码如下所示：

老规矩，我们只看一些之前没有介绍过的参数。

第1个参数：loss

该参数指我们选择什么样的损失函数。默认为squared_hinge，即合页损失函数的平方；还有一个选择是hinge，即合页损失函数。

至于其他参数，我们在之前的Logistic算法中都已经介绍过，大家可以进行参考，这里不再赘述。

非线性SVM

非线性的SVM就是添加了核函数，我们来看看如何用代码实现：

我们还是只介绍新出现的一些参数：

第1个参数：cache_size

该参数指缓存大小，默认为200，单位MB。

第2个参数：coef0

指核函数的常数项，仅对poly多项式核函数和sigmoid感知机核函数生效。

第3个参数：decision_function_shape

指决策函数的类型，默认为ovr，意为一对多；也可选择ovo，意为一对一。

第4个参数：degree

指使用poly多项式核函数时的维度，其他核函数没有此参数。

第5个参数：gamma

指各种核函数的系数，默认为auto，即系数为1/n(n为特征数)。

第6个参数：kernel

指采用的核函数的类型。默认为rbf，即高斯核函数。此外，你还可以选择linear(线性核函数)、poly(多项式核函数)、sigmoid(多层感知机核函数)和precomputed(已提供核矩阵)。

第7个参数：max_iter

指最大迭代次数，默认为-1，无限制。

第8个参数：probability

指是否使用概率来估计，默认为False，即不使用概率估计。

第9个参数：shrinking

指是否采用启发式(shrinking heuristics)方法，默认为True。

UA学院招生啦！想打造AI时代底层能力的同学请看过来！