机器学习sklearn（72）：算法实例（二十九）分类（十六）SVM（七）sklearn.svm.SVC（六） 使用SVC时的其他考虑（选）

1 SVC处理多分类问题：重要参数decision_function_shape

 

 

 

 

 

 

 

 

 

 

 

 

2 SVM的模型复杂度 

3 SVM中的随机性：参数random_state 

4 SVC的重要属性补充 

#属性n_support_:调用每个类别下的支持向量的数目
clf_proba.n_support_
#属性coef_：每个特征的重要性，这个系数仅仅适合于线性核
clf_proba.coef_
#属性intercept_：查看生成的决策边界的截距
clf_proba.intercept_
#属性dual_coef_：查看生成的拉格朗日乘数
clf_proba.dual_coef_
clf_proba.dual_coef_.shape
#注意到这个属性的结构了吗？来看看查看支持向量的属性
clf_proba.support_vectors_
clf_proba.support_vectors_.shape
#注意到dual_coef_中生成的拉格朗日乘数的数目和我们的支持向量的数目一致
#注意到KKT条件的条件中的第五条，所有非支持向量会让拉格朗日乘数为0 #所以拉格朗日乘数的数目和支持向量的数目是一致的
#注意，此情况仅仅在二分类中适用！

5 一窥线性支持向量机类LinearSVC