参考

sklearn中SVC中的参数说明与常用函数_sklearn svc参数-CSDN博客https://blog.csdn.net/transformed/article/details/90437821

参考PYthon 教你怎么选择SVM的核函数kernel及案例分析_clf=svm.svc(kernel=)-CSDN博客https://blog.csdn.net/c1z2w3456789/article/details/105247565

四种核函数

四种核函数在四种不同分布数据上的表现

博主总结：

linear、poly：

非线性数据集：linear和poly核函数在上表现会浮动，如果数据相对线性可分，则表现不错，如果是像环形数据那样彻底不可分的，则表现糟糕。

线性数据集：linear和poly核函数即便有扰动项也可以表现不错，可见poly核函数虽然也可以处理非线性情况，但更偏向于线性的功能。

sigmoid：

Sigmoid核函数就比较尴尬了，它在非线性数据上强于两个线性核函数，但效果明显不如rbf，它在线性数据上完全比不上线性的核函数们，对扰动项的抵抗也比较弱，所以它功能比较弱小，很少被用到。

rbf：

rbf核函数基本在任何数据集上都表现不错，属于比较万能的核函数。

python中svm使用

clf = svm.SVC(kernel='rbf', class_weight='balanced', 
        C=5, gamma=0.3, max_iter=3000, tol=0.001, probability=True)

C：根据官方文档，这是一个软间隔分类器，对于在边界内的点有惩罚系数C，C的取值在0-1之间，默认值为1.0。C越大代表这个分类器对在边界内的噪声点的容忍度越小，分类准确率高，但是容易过拟合，泛化能力差。所以一般情况下，应该适当减小C，对在边界范围内的噪声有一定容忍。

class_weight：默认为None,给每个类别分别设置不同的惩罚参数C，如果没有给，则会给所有类别都给C=1，即前面指出的参数C.

tol：停止训练的误差精度，默认值为0.001

probability：默认为False,决定最后是否按概率输出每种可能的概率，但需注意最后的预测函数应改为clf.predict_proba。

max_iter：默认为-1，最大迭代次数，如果为-1，表示不限制