sklearn.svm.svc( C=1.0, kernel='rbf', degree=3, gamma='scale', coef0=0.0, shrinking=True, probability=False, tol=0.001,
cache_size=200, class_weight=None, verbose=False, max_iter=- 1, decision_function_shape='ovr',
break_ties=False, random_state=None)
参数说明：
1.C: 正则化系数，float类型，默认值为1.0。
2.kernel：核函数，{‘linear’, ‘poly’, ‘rbf’, ‘sigmoid’, ‘precomputed’}，默认值为’rbf’。
（1）linear: 线性核函数； 优点： 简单、运算效率高；缺点： 对线性不可分的数据集没有很好的效果
（2） ploy: 多项式核函数； 优点： 可以拟合出复杂的分割超平面；缺点： 有三个参数，调参困难，且当n过大时，模型拟合时间会很长 ；
（3） rbf: 径向基函数 通常定义为样本到数据中心之间径向距离（通常是欧氏距离）的单调函数（由于距离是径向同性的）； 相较于多项式核，具有参数少的优点
（4） sigmoid：Logistic函数 也称为S型生长曲线，优点：平滑
（5） precomputed：预训练好的核函数对应的Gram 矩阵 优点： 不用再次拟合核函数对应的Gram 矩阵，直接进行映射。
3.degree：多项式核函数的维度，int类型，默认值为3。只有在使用多项式核函数的时候才有用。
4.gamma：‘rbf’, ‘poly’ 和‘sigmoid’ 核函数的系数， {‘auto’, ‘scale’}，默认值为‘scale’。
5.coef0：常数项， float类型，默认值为0。只作用于poly 和 sigmoid 核函数。
6.shrinking：启用启发式收缩，bool类型，默认为True。当迭代次数过大时， 启用启发式收缩可以缩短训练时间，如果对停止迭代容忍度较高时（tol参数来反映），不用启发式收缩可能会更快一些。
7.probability：启用概率估计， bool类型，默认为False。在拟合（fit）模型之前启用，启用之后会减缓拟合速度，但是拟合之后，模型能够输出各个类别对应的概率。
8.tol：停止拟合容忍度，float类型，默认值为1e-3 即为0.001。定义模型停止拟合的误差值。
9.cache_size：核缓存大小，float类型，默认值为200（MB）。数据集维度高，数量大，当所需内存超出了，可以通过调整cache_size 的大小来加快模型拟合。
10.class_weight：类别的权重， {dict} or ‘balanced’，默认值为None。
11.verbose：启用详细输出， bool类型，默认值：False。
12.max_iter：最大迭代次数，int类型，默认值: -1，不限制迭代次数。
13.decision_function_shape：多分类策略，字典类型 ，默认值: ‘ovr’。进行二分类任务时，这一参数被自动忽略。
14.break_ties：启用打破平局， bool类型，默认值为False。
15.random_state：随机数，int类型，默认值：None。控制伪随机数生成，保证多次训练时，打乱的数据是一致的。