相信大家在機器學習中，一定常見到;SVC，NvSVC，LinearSVC，今天我們就來看看這三者的區別。

SVC(C-Support Vector Classification)：

支持向量分類，基于libsvm實現的，數據擬合的時間復雜度是數據樣本的二次方，這使得他很難擴展到10000個數據集，當輸入是多類別時(SVM最初是處理二分類問題的)，通過一對一的方案解決，例如：

SVC參數解釋
（1）C: 目標函數的懲罰系數C，用來平衡分類間隔margin和錯分樣本的，default C = 1.0；
（2）kernel：參數選擇有RBF, Linear, Poly, Sigmoid, 默認的是"RBF";
（3）degree：if you choose 'Poly' in param 2, this is effective, degree決定了多項式的最高次冪；
（4）gamma：核函數的系數('Poly', 'RBF' and 'Sigmoid'), 默認是gamma = 1 / n_features;
（5）coef0：核函數中的獨立項，'RBF' and 'Poly'有效；
（6）probablity: 可能性估計是否使用(true or false)；
（7）shrinking：是否進行啟發式；
（8）tol（default = 1e - 3）: svm結束標準的精度;
（9）cache_size: 制定訓練所需要的內存（以MB為單位）；
（10）class_weight: 每個類所占據的權重，不同的類設置不同的懲罰參數C, 缺省的話自適應；
（11）verbose: 跟多線程有關，不大明白啥意思具體；
（12）max_iter: 最大迭代次數，default = 1， if max_iter = -1, no limited;
（13）decision_function_shape ： ‘ovo’ 一對一, ‘ovr’ 多對多  or None 無, default=None
（14）random_state ：用于概率估計的數據重排時的偽隨機數生成器的種子。
 ps：7,8,9一般不考慮。
 
from sklearn.svm import SVC
import numpy as np
X= np.array([[-1,-1],[-2,-1],[1,1],[2,1]])
y = np.array([1,1,2,2])
 
clf = SVC()
clf.fit(X,y)
print clf.fit(X,y)
print clf.predict([[-0.8,-1]])

NuSVC(Nu-Support Vector Classification.)：

核支持向量分類，和SVC類似，也是基于libsvm實現的，但不同的是通過一個參數空值支持向量的個數

NuSVC參數
nu：訓練誤差的一個上界和支持向量的分數的下界。應在間隔（0，1 ]。
其余同SVC
'''
import numpy as np
X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
y = np.array([1, 1, 2, 2])
from sklearn.svm import NuSVC
clf = NuSVC()
clf.fit(X, y) 
print clf.fit(X,y)
print(clf.predict([[-0.8, -1]]))

LinearSVC(Linear Support Vector Classification)：

線性支持向量分類，類似于SVC，但是其使用的核函數是”linear“上邊介紹的兩種是按照brf(徑向基函數計算的，其實現也不是基于LIBSVM，所以它具有更大的靈活性在選擇處罰和損失函數時，而且可以適應更大的數據集，它支持密集和稀疏的輸入是通過一對一的方式解決的

LinearSVC 參數解釋
C：目標函數的懲罰系數C，用來平衡分類間隔margin和錯分樣本的，default C = 1.0；
loss ：指定損失函數
penalty ：
dual ：選擇算法來解決對偶或原始優化問題。當n_samples > n_features 時dual=false。
tol ：（default = 1e - 3）: svm結束標準的精度;
multi_class：如果y輸出類別包含多類，用來確定多類策略， ovr表示一對多，“crammer_singer”優化所有類別的一個共同的目標
如果選擇“crammer_singer”，損失、懲罰和優化將會被被忽略。
fit_intercept ：
intercept_scaling ：
class_weight ：對于每一個類別i設置懲罰系數C = class_weight[i]*C,如果不給出，權重自動調整為 n_samples / (n_classes * np.bincount(y))
verbose：跟多線程有關，不大明白啥意思具體
 
from sklearn.svm import LinearSVC
 
X=[[0],[1],[2],[3]]
Y = [0,1,2,3]
 
clf = LinearSVC(decision_function_shape='ovo') #ovo為一對一
clf.fit(X,Y)
print clf.fit(X,Y)
 
dec = clf.decision_function([[1]])    #返回的是樣本距離超平面的距離
print dec
 
clf.decision_function_shape = "ovr"
dec =clf.decision_function([1]) #返回的是樣本距離超平面的距離
print dec
 
#預測
print clf.predict([1])</span>