sklearn.svm.LinearSVC

class sklearn.svm.LinearSVC(penalty=’l2’, loss=’squared_hinge’, dual=True, tol=0.0001, C=1.0, multi_class=’ovr’, fit_intercept=True, intercept_scaling=1, class_weight=None, verbose=0, random_state=None, max_iter=1000)

从结果的角度，LinearSVC和使用SVC且kernel传入linear，结果是一致的。但是由于LinearSVC只能计算线性核，而SVC可以计算任意核，所以，他们的底层计算方式不一样，这使得同样使用线性核的SVC，用LinearSVC的计算速度，要比用SVC且kernel传入linear参数，快很多。所以，整体而言，如果你决定使用线性SVM，就使用LinearSVC，但如果你要是用其他核的SVM，就只能使用SVC：）

参数：

penalty ： 字符串，'l1'或'l2'（默认='l2'） 指定惩罚中使用的规范。'l2'惩罚是SVC中使用的标准。'l1'导致coef_ 稀疏的向量。 loss ： string，'hinge'或'squared_hinge'（默认='squared_hinge'） 指定损失函数。'hinge'是标准SVM损失（例如由SVC类使用），而'squared_hinge'是铰链损失的平方。 dual ： bool，（默认= True） 选择算法以解决双重或原始优化问题。当n_samples> n_features时，首选dual = False。 tol ： float，optional（默认值= 1e-4） 容忍停止标准。 C ： float，可选（默认值= 1.0） 错误术语的惩罚参数C. multi_class ： string，'ovr'或'crammer_singer'（默认='ovr'） 如果y包含两个以上的类，则确定多类策略。 "ovr"训练n_classes one-vs-rest分类器，同时"crammer_singer"优化所有类的联合目标。虽然crammer_singer从理论角度来看它很有意义，但它在实践中很少使用，因为它很少能够提高准确性并且计算成本更高。如果"crammer_singer"选择，则选项丢失，惩罚和双重将被忽略。 fit_intercept ： boolean，optional（default = True） 是否计算此模型的截距。如果设置为false，则不会在计算中使用截距（即数据预计已经居中）。 intercept_scaling ： float，optional（默认值= 1） 当self.fit_intercept为True时，实例向量x变为 ，即具有等于intercept_scaling的常量值的“合成”特征被附加到实例向量。截距变为intercept_scaling *合成特征权重注意！合成特征权重与所有其他特征一样经受l1 / l2正则化。为了减少正则化对合成特征权重（并因此对截距）的影响，必须增加intercept_scaling。[x, self.intercept_scaling] class_weight ： {dict，'balanced'}，可选 将类i的参数C设置class_weight[i]*C为SVC。如果没有给出，所有课程都应该有一个重量。“平衡”模式使用y的值自动调整与输入数据中的类频率成反比的权重n_samples / (n_classes * np.bincount(y)) verbose ： int，（默认= 0） 启用详细输出。请注意，此设置利用liblinear中的每进程运行时设置，如果启用，则可能无法在多线程上下文中正常工作。 random_state ： int，RandomState实例或None，可选（默认=无） 伪随机数生成器的种子，用于在对双坐标下降（if dual=True）的数据进行混洗时使用。当 dual=False底层实现LinearSVC 不是随机的并且random_state对结果没有影响时。如果是int，则random_state是随机数生成器使用的种子; 如果是RandomState实例，则random_state是随机数生成器; 如果为None，则随机数生成器是由其使用的RandomState实例 np.random。 max_iter ： int，（默认值= 1000） 要运行的最大迭代次数。