### Python 中 sklearn 的 SVM 函数字段功能详解 `sklearn.svm.SVC` 是 scikit-learn 库中的支持向量机（Support Vector Machine, SVM）分类器实现。以下是 `SVC` 类的主要参数及其作用说明： #### 1. **C 参数** 控制模型的正则化强度，其值越小表示正则化程度越高，允许更大的边界违反；反之，较大的 C 值会降低正则化效果，使模型更倾向于拟合训练数据[^1]。 ```python from sklearn import svm clf = svm.SVC(C=1.0) ``` #### 2. **kernel 参数** 指定核函数类型，用于将输入空间映射到高维特征空间以便更好地分离不同类别。常见的选项有 'linear'、'poly'、'rbf' 和 'sigmoid' 等[^1]。 ```python # 使用 RBF 核函数 clf = svm.SVC(kernel='rbf') ``` #### 3. **degree 参数** 当 kernel 设置为 'poly' 时生效，定义多项式核函数的次数[^1]。 ```python # 多项式核函数，度数为 3 clf = svm.SVC(kernel='poly', degree=3) ``` #### 4. **gamma 参数** 仅适用于 'rbf'、'poly' 和 'sigmoid' 核函数，决定径向基函数的标准差大小或影响范围。通常可设置为 'scale' 或 'auto'，分别基于数据自动计算 gamma 值[^1]。 ```python # 自动调整 Gamma 值 clf = svm.SVC(gamma='scale') ``` #### 5. **coef0 参数** 对于 'poly' 和 'sigmoid' 核函数有效，作为独立偏置项参与运算。 ```python # Sigmoid 核函数，带有 coef0 clf = svm.SVC(kernel='sigmoid', coef0=0.0) ``` #### 6. **shrinking 参数** 启用启发式收缩技术来加速优化过程，默认开启 (True)，但在某些情况下关闭可能获得更好的性能[^1]。 ```python # 关闭收缩策略 clf = svm.SVC(shrinking=False) ``` #### 7. **probability 参数** 如果设为 True，则会在训练过程中估计概率分布并提供 predict_proba 方法的支持。 ```python # 启用概率预测 clf = svm.SVC(probability=True) ``` #### 8. **tol 参数** 收敛条件容忍度阈值，数值越低意味着更高的精度但也可能导致较长的训练时间。 ```python # 更严格的收敛标准 clf = svm.SVC(tol=1e-4) ``` #### 9. **cache_size 参数** 分配给内核缓存的空间大小（单位 MB），适当增大可以提高效率特别是针对大规模数据集[^1]。 ```python # 提升缓存容量至 500MB clf = svm.SVC(cache_size=500) ``` #### 10. **class_weight 参数** 通过赋予各类样本不同的权重解决不平衡数据问题，接受字典形式或者字符串 "balanced"[^1]。 ```python # 平衡模式下的类权重设定 clf = svm.SVC(class_weight='balanced') ``` #### 11. **verbose 参数** 调试标志位，打开后显示更多日志信息有助于排查错误[^1]。 ```python # 开启详细输出 clf = svm.SVC(verbose=True) ``` #### 12. **max_iter 参数** 最大迭代次数限制，防止无限循环发生，在复杂场景下需谨慎调节此参量[^1]。 ```python # 设定最多运行 1000 次迭代 clf = svm.SVC(max_iter=1000) ``` #### 13. **decision_function_shape 参数** 确定多分类情况下的决策函数形状，“ovo” 表示一对一方法而 “ovr” 则代表一对其余法[^1]。 ```python # OVR 方式的多分类处理 clf = svm.SVC(decision_function_shape='ovr') ``` 以上即是对 Python 中 sklearn 的 SVC 函数主要字段的功能解析。 ---