【sklearn】【Support Vector Machines】【1.4】

1. SVM分类：http://blog.csdn.net/luoshixian099/article/details/51073885

2. SVM回归：http://blog.csdn.net/luoshixian099/article/details/51121767 

3. LinearSVC、NuSVC、SVC区别：https://www.cnblogs.com/pinard/p/6117515.html

 

sklearn.svm	含义	样例
svm.LinearSVC	线性支持向量机(分类)，使用liblinear	from sklearn.svm import LinearSVC clf = LinearSVC(random_state=0) clf.fit([[0,1],[0,2],[0,3],[1,1],[1,2],[1,3]],[1,1,1,2,2,2]) print clf.predict([[1,10]]) output: [1]
svm.linearSVR	线性支持向量机(回归)，使用liblinear	from sklearn.svm import LinearSVR clf = LinearSVR(random_state=0) clf.fit([[0,0],[1,1],[2,2],[3,3]], [0,1,2,3]) print clf.predict([[100,100]]) output: [ 99.99880112]
svm.NuSVC	核函数支持向量机(分类)，使用libsvm	from sklearn.svm import NuSVC clf = NuSVC(random_state=0, kernel='linear') clf.fit([[0,1],[0,2],[0,3],[1,1],[1,2],[1,3]],[1,1,1,2,2,2]) print clf.predict([[1,10]]) output: [2]
svm.NuSVR	核函数支持向量机(回归)，使用libsvm	from sklearn.svm import NuSVR clf = NuSVR(kernel='linear') clf.fit([[0,0],[1,1],[2,2],[3,3]], [0,1,2,3]) print clf.predict([[100,100]]) output: [ 100.]
svm.OneClassSVM	单分类向量机，可用于利群点识别	from sklearn.svm import OneClassSVM clf = OneClassSVM(kernel='linear') clf.fit([[0,0],[1,1],[2,2],[3,3]]) print clf.predict([[0,3],[0,4]]) output: [-1. 1.]
svm.SVC	类似NuSVC，使用libsvm
svm.SVR	类似NuSVR，使用libsvm
svm.l1_min_c	计算一个C的下限值