首先我們應該對SVM的參數有一個詳細的認知：
sklearn.svm.SVC 參數說明：
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： l 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。 l 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)
l 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。 l gamma ： ‘rbf’,‘poly’ 和‘sigmoid’的核函數參數。默認是’auto’，則會選擇1/n_features l coef0 ：核函數的常數項。對於‘poly’和 ‘sigmoid’有用。 l probability ：是否采用概率估計？.默認為False l shrinking ：是否采用shrinking heuristic方法，默認為true l tol ：停止訓練的誤差值大小，默認為1e-3 l cache_size ：核函數cache緩存大小，默認為200 l 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) l verbose ：允許冗余輸出？ l max_iter ：最大迭代次數。-1為無限制。 l decision_function_shape ：‘ovo’, ‘ovr’ or None, default=None3 l 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。
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：
l 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。
l 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)
l 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。
l gamma ： ‘rbf’,‘poly’ 和‘sigmoid’的核函數參數。默認是’auto’，則會選擇1/n_features
l coef0 ：核函數的常數項。對於‘poly’和 ‘sigmoid’有用。
l probability ：是否采用概率估計？.默認為False
l shrinking ：是否采用shrinking heuristic方法，默認為true
l tol ：停止訓練的誤差值大小，默認為1e-3
l cache_size ：核函數cache緩存大小，默認為200
l 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)
l verbose ：允許冗余輸出？
l max_iter ：最大迭代次數。-1為無限制。
l decision_function_shape ：‘ovo’, ‘ovr’ or None, default=None3
l 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。
與核函數相對應的libsvm參數建議：
1）對於線性核函數，沒有專門需要設置的參數
2）對於多項式核函數，有三個參數。-d用來設置多項式核函數的最高此項次數，也就是公式中的d，默認值是3。-g用來設置核函數中的gamma參數設置，也就是公式中的第一個r(gamma)，默認值是1/k（k是類別數）。-r用來設置核函數中的coef0，也就是公式中的第二個r，默認值是0。
3）對於RBF核函數，有一個參數。-g用來設置核函數中的gamma參數設置，也就是公式中的第一個r(gamma)，默認值是1/k（k是類別數）。
4）對於sigmoid核函數，兩個參數g以及r：gamma一般可選1 2 3 4，coef0選0.2 0.4 0.60.8 1
屬性：
support_ ：支持向量索引。
support_vectors_ ：支持向量。
n_support_ ：每一類的支持向量數目
dual_coef_ ：決策函數中支持向量的系數
coef_ ：賦予特征的權重（原始問題中的系數）。這僅適用於線性內核。
intercept_ ：決策函數中的常量。