核函式有四種內建選擇，第三節已經講到：‘linear’即線性核函式, ‘poly’即多項式核函式, ‘rbf’即高斯核函式, ‘sigmoid’即sigmoid核函式。如果選擇了這些核函式， 對應的核函式引數在後面有單獨的引數需要調。預設是高斯核'rbf'。

還有一種選擇為"precomputed",即我們預先計算出所有的訓練集和測試集的樣本對應的Gram矩陣，這樣K(x,z)K(x,z)直接在對應的Gram矩陣中找對應的位置的值。

當然我們也可以自定義核函式， 由於我沒有用過自定義核函式，這裡就不多講了。

如果我們在kernel引數使用了多項式核函式 'poly'，高斯核函式‘rbf’, 或者sigmoid核函式，那麼我們就需要對這個引數進行調參。

多項式核函式中這個引數對應K(x,z)=（γx∙z+r)dK(x,z)=（γx∙z+r)d中的γγ。一般需要通過交叉驗證選擇一組合適的γ,r,dγ,r,d 

高斯核函式中這個引數對應K(x,z)=exp(−γ||x−z||2)K(x,z)=exp(−γ||x−z||2)中的γγ。一般需要通過交叉驗證選擇合適的γγ

sigmoid核函式中這個引數對應K(x,z)=tanh（γx∙z+r)K(x,z)=tanh（γx∙z+r)中的γγ。一般需要通過交叉驗證選擇一組合適的γ,rγ,r 

γγ預設為'auto',即1特徵維度1特徵維度

如果我們在kernel引數使用了多項式核函式 'poly'，或者sigmoid核函式，那麼我們就需要對這個引數進行調參。

多項式核函式中這個引數對應K(x,z)=（γx∙z+r)dK(x,z)=（γx∙z+r)d中的rr。一般需要通過交叉驗證選擇一組合適的γ,r,dγ,r,d 

sigmoid核函式中這個引數對應K(x,z)=tanh（γx∙z+r)K(x,z)=tanh（γx∙z+r)中的rr。一般需要通過交叉驗證選擇一組合適的γ,rγ,r 

coef0預設為0

OvR(one ve rest)的思想很簡單，無論你是多少元分類，我們都可以看做二元分類。具體做法是，對於第K類的分類決策，我們把所有第K類的樣本作為正例，除了第K類樣本以外的所有樣本都作為負例，然後在上面做二元分類，得到第K類的分類模型。其他類的分類模型獲得以此類推。

OvO(one-vs-one)則是每次每次在所有的T類樣本里面選擇兩類樣本出來，不妨記為T1類和T2類，把所有的輸出為T1和T2的樣本放在一起，把T1作為正例，T2作為負例，進行二元分類，得到模型引數。我們一共需要T(T-1)/2次分類。

從上面的描述可以看出OvR相對簡單，但分類效果相對略差（這裡指大多數樣本分佈情況，某些樣本分佈下OvR可能更好）。而OvO分類相對精確，但是分類速度沒有OvR快。一般建議使用OvO以達到較好的分類效果。

可以選擇 ‘ovr’ 或者 ‘crammer_singer’ 

‘ovr’和SVC和nuSVC中的decision_function_shape對應的‘ovr’類似。

'crammer_singer'是一種改良版的'ovr'，說是改良，但是沒有比’ovr‘好，一般在應用中都不建議使用。

LinearSVC計算量不大，因此不需要這個引數

可以選擇為‘epsilon_insensitive’ 和 ‘squared_epsilon_insensitive’ ，如果選擇‘epsilon_insensitive’ ，則損失度量滿足−ϵ−ξ∨i≤yi−w∙ϕ(xi)−b≤ϵ+ξ∧i−ϵ−ξi∨≤yi−w∙ϕ(xi)−b≤ϵ+ξi∧，即和第二節的損失度量一樣。是預設的SVM迴歸的損失度量標準形式。

如果選擇為 ‘squared_epsilon_insensitive’ , 則損失度量滿足(yi−w∙ϕ(xi)−b)2≤ϵ+ξi(yi−w∙ϕ(xi)−b)2≤ϵ+ξi，此時可見會少一個鬆弛係數。其優化過程我們在SVM原理系列裡沒有講，但是目標函式優化過程是完全相似的。

一般用預設的‘epsilon_insensitive’就足夠了。

LinearSVC計算量不大，因此不需要這個引數