經常用到sklearn中的SVC函數，這里把文檔中的參數翻譯了一些，以備不時之需。
本身這個函數也是基於libsvm實現的，所以在參數設置上有很多相似的地方。（PS: libsvm中的二次規划問題的解決算法是SMO）。
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)
參數：
C：C-SVC的懲罰參數C?默認值是1.0
C越大，相當於懲罰松弛變量，希望松弛變量接近0，即對誤分類的懲罰增大，趨向於對訓練集全分對的情況，這樣對訓練集測試時准確率很高，但泛化能力弱。C值小，對誤分類的懲罰減小，允許容錯，將他們當成噪聲點，泛化能力較強。
kernel：核函數，默認是rbf，可以是‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’
0 – 線性：u'v
1 – 多項式：(gamma*u'*v + coef0)^degree
2 – RBF函數：exp(-gamma|u-v|^2)
3 –sigmoid：tanh(gamma*u'*v + coef0)
degree：多項式poly函數的維度，默認是3，選擇其他核函數時會被忽略。
gamma ： ‘rbf’,‘poly’ 和‘sigmoid’的核函數參數。默認是’auto’，則會選擇1/n_features
coef0 ：核函數的常數項。對於‘poly’和 ‘sigmoid’有用。
probability：是否采用概率估計？.默認為False
shrinking：是否采用shrinking heuristic方法，默認為true
tol：停止訓練的誤差值大小，默認為1e-3
cache_size：核函數cache緩存大小，默認為200
class_weight：類別的權重，字典形式傳遞。設置第幾類的參數C為weight*C(C-SVC中的C)
verbose：允許冗余輸出？
max_iter：最大迭代次數。-1為無限制。
decision_function_shape：‘ovo’, ‘ovr’ or None, default=None3
random_state：數據洗牌時的種子值，int值
主要調節的參數有：C、kernel、degree、gamma、coef0。
僅供參考，正確性自行檢測，最好閱讀官方文檔。