Scikit-learn裡對SVM的算法都包含在sklearn.svm下面，其中SVC類用來進行分類任務，SVR是用來進行數值迴歸任務。
以SVC為例：
先看一個例子：自動生成一個有兩個特徵，兩個類別的數據集，然後用線性核函數進行分類
生成如下：
圖中帶有X標記點的是支持向量
python中支持向量機SVC的接口如下：
class sklearn.svm.SVC(C=1.0, kernel='rbf', degree=3, gamma='auto', 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', random_state=None)
C：相當於懲罰鬆弛變量，希望鬆弛變量接近0，C越大，即對誤分類的懲罰增大，趨向於對訓練集全分對的情況，這樣對訓練集測試時準確率很高，但泛化能力弱。C值小，對誤分類的懲罰減小，允許容錯，將他們當成噪聲點，泛化能力較強。C-SVC的懲罰參數
C默認值是1.0
kernel：核函數，默認是rbf，可以是'linear','poly', 'rbf'
liner 線性核函數
poly多項式核函數
RBF高斯核函數
degree ：多項式poly函數的維度，默認是3，選擇其他核函數時會被忽略。
gamma ： 'rbf','poly' 和'sigmoid'的核函數參數。默認是'auto'，則會選擇1/n_features（比較小時，單個樣本對整個分類超平面的影響比較小，不容易被選擇為支持向量，反之，當γ比較大時，單個樣本對整個分類超平面的影響比較大，更容易被選擇為支持向量，或者說整個模型的支持向量也會多。scikit-learn中默認'auto'）
關於選擇核函數：（針對不同的核函數，需要指定不同的參數，
1，線性核函數，只需要指定參數C
2，多項式核函數，除了參數C之外還需要指定degree，
3，高斯核函數，除了參數C，還要指定gamma值，對應核函數中的1/2σ*2也就：γ）
我們先使用默認的高斯核函數，使用GridSearchCV來自動選擇參數gamma，可以得到在超參數調優器的使用下，得到的最優模型評分
代碼如下：
通過比較訓練集和測試集的模型評分，來判斷模型是否過擬合
結果如下：
得到最優模型評分：0.944
最優參數gamma：0.0001212121
模型精確率和召回率都在90%以上，
閱讀更多 愛數據的小司機 的文章
