版权声明：本文为博主原创文章，转载请标明原始博文地址。 https://blog.csdn.net/yuanlulu/article/details/81048496
svm的分类
根据数据可分的情况，svm分为3种：
- 线性可分支持向量机（没有噪音和异常数据，分隔超平面可以在训练数据集做到100%准确）
- 线性支持向量机（有噪音和异常数据，分隔超平面无法在训练数据集做到100%准确）
- 非线性支持向量机（数据集不是线性可分的，必须借助升维）
上面三种svm由简到繁，其实所有的svm都可以可以统一写为带核函数的推理形式。前两种情况下可以选择不用核函数（也叫线性核函数），最后一种情况下可以选择高斯核、多项式核等核函数
常用的核函数
最终，所有的数据分布情况都可以使用带核函数的形式来做前向预测：
- 线性核:没有核函数，也就相当于线性核函数。
- 多项式核函数
- 高斯核函数
在sklearn里面，这三个核函数需要不同的超参。
共同需要的超参是C，惩罚系数
clf_linear = svm.SVC(C=1.0, kernel='linear')
clf_poly = svm.SVC(C=1.0, kernel='poly', degree=3)
clf_rbf = svm.SVC(C=1.0, kernel='rbf', gamma=0.5)degree ：多项式poly函数的维度，默认是3，选择其他核函数时会被忽略。
gamma ： ‘rbf’,‘poly’ 和‘sigmoid’的核函数参数。默认是’auto’，则会选择1/n_features
coef0 ：核函数的常数项，默认为0。对于‘poly’和 ‘sigmoid’有用。
怎么选择核函数
以下内容整理自吴恩达的视频课程。
当特征很多，样例很少的时候（n很大，m很小）,使用核函数容易过拟合，此时经常选择线性核函数。
在使用核函数之前，最好将特征缩放到相同的范围内。否则训练的效果会很差。
n代表特征数量，m代表样本数量
如果n相对m大很多，建议使用逻辑回归或者svm线性核。否则容易过拟合
如果n很小，m比它大，但是大的不是特别多(1000比10000这种)，建议使用高斯核
如果m相对n大很多，建议创造一些新特征，然后使用逻辑回归或者使用线性核svm。因为此时高斯核运算会很慢。
另外，神经网络可以在大部分场景下都工作的很好，但是训练起来会很慢