1. c ： float参数，默认值为1.0
错误项的惩罚系数。
c越大，即对分错样本的惩罚程度越大，因此在训练样本中准确率越高，但是泛化能力降低，也就是对测试数据的分类准确率降低。
相反，减小c的话，允许训练样本中有一些误分类错误样本，泛化能力强。
对于训练样本带有噪声的情况，一般采用减小c的方法，把训练样本集中错误分类的样本作为噪声2.
2. kernel ： str参数，默认为‘rbf’
算法中提供的核函数类型，可选参数有：
linear：线性核函数poly：多项式核函数rbf：径像核函数/高斯核sigmod：sigmod核函数precomputed：核矩阵。表示自己提前计算好核函数矩阵，算法内部就不再用核函数去计算核矩阵，而是直接用我们给的矩阵。除了上面限定的核函数外，还可以给出自己定义的核函数，内部就是用自己定义的核函数来计算核矩阵。
3. degree ： int型，默认为3
这个参数只对多项式核函数有用，是指多项式核函数的阶数n。如果给的核函数参数是其他核函数，则会自动忽略该参数。4. gamma ：float参数，默认为auto
核函数系数，只对rbf，poly，sigmod有效。如果gamma为auto，代表其值为样本特征数的倒数，即1/n_features5. coef0 ： float参数，默认值为0
核函数中的独立项，对poly和sigmod核函数有用，是指其中的参数c。6. probability ： bool参数，默认为False
是否启用概率估计。这必须在调用fit之前启用，会使fit()方法速度变慢。7. shrinking ： bool参数，默认为Ture
是否采用启发式收缩方式。8. tol ：float参数，默认为1e^-3
SVM停止训练的误差精度9. cache_size : float参数，默认为200
指定训练所需要的的内存，以MB为单位，默认为200MB。10. class_weight : 字典类型或者是balance字符串，默认为None
给每个类别分别设置不同的惩罚参数c，如果没有给，所有类别都是默认值。如果给定参数blance，则使用y的值自动调整与输入数据中的类的频率成反比的比重。11. verbose : bool参数，默认为false
是否启用详细输出。此设置利用libsvm中的每个进程运行时设置，如果启用，可能无法在多线程上下文中使用，一般情况下设置为False。12. max_iter : int参数，默认为-1
最大迭代次数，如果为-1表示不受限制。13. random_state ：int参数，默认为None
伪随机数发生器的种子，在混洗数据时用于概率估计。14. fit()方法 ：
用于训练svm，具体参数已经在定义svc对象时给出，这时候只需要给出数据集x和x对应的标签y。15. predict()方法 ：
基于以上的训练，对预测样本T进行类别预测，因此只需要接收一个测试集T，该函数返回一个数组表示各测试样本的类别。
16. 属性有哪些
svc.n_support_：各类各有多少个支持向量svc.support_：各类的支持向量在训练样本中的索引svc.support_vectors_：各类所有的支持向量。1. TP FP TN FN
TP(ture positives)：预测为正样本，实际也为正样本的特征数；将正类预测为正类数，真实为0，预测也为0。FN（false negatives）：预测为负样本，实际为正样本的特征数；将正类预测为负类数，真实为0，预测为1。FP（Flase positives）：预测为正样本，实际为负样本的特征数；将负类预测为正类数， 真实为1，预测为0。TN（true negatives）:预测为负样本，实际也为负样本的特征数；将负类预测为负类数，真实为1，预测也为1。2. 精确率（precision）
P = TP/(TP+FP)3. 召回率（recall）
R = TP/(TP+FN）4. 准确率
accuracy = (TP+TN)/(TP+FN+FP+TN)5. 特异性（specificity）
S = TN/(FP+TN)6. 用F1值综合评估精确率和召回率
1. 计算分割超平面
b=clf_svc.intercept_
w=clf_svc.coef_
2. 查看决策函数：decision_function中每一列的值代表距离各类别的距离
print('decision_function:\n', clf_svc.decision_function(df_x))
3. predict()函数：返回一个数组表示各测试样本的类别
print('\npredict:\n', clf_svc.predict(df_x))
1. from random import shuffle #引入随机函数
shuffle(data) #随机打乱数据
2. data = data.as_matrix()
读取excel数据训练模型时，需要将表格转换成数组，as_matrix()可将dataframe数据转换成数组。
替代函数：dataframe.values获取的是dataframe中的数据,形式为数组array。
data_train = data[:int(0.8*len(data)),:] #选取前80%为训练数据
data_test = data[int(0.8*len(data)):,:] #选取后20%为测试数据
