寫在前面的話：本人剛剛學sklearn，很多引數也不是很懂，英語又比較low，只能求助google翻譯，若有不對的地方，請大佬指出來。

Sklearn.svm.LinearSVC引數說明

與引數kernel ='linear'的SVC類似，但是以liblinear而不是libsvm的形式實現，因此它在懲罰和損失函式的選擇方面具有更大的靈活性，並且應該更好地擴充套件到大量樣本。

此類支援密集和稀疏輸入，並且多類支援根據one-vs-the-rest方案處理。

Sklearn.svm.LinearSVC(penalty=’l2’, loss=’squared_hinge’, dual=True

penalty : string, ‘l1’ or ‘l2’ (default=’l2’)

指定懲罰中使用的規範。 'l2'懲罰是SVC中使用的標準。 'l1'導致稀疏的coef_向量。

loss : string, ‘hinge’ or ‘squared_hinge’ (default=’squared_hinge’)

指定損失函式。 “hinge”是標準的SVM損失（例如由SVC類使用），而“squared_hinge”是hinge損失的平方。

dual : bool, (default=True)

選擇演算法以解決雙優化或原始優化問題。 當n_samples> n_features時，首選dual = False。

tol : float, optional (default=1e-4)

公差停止標準

C : float, optional (default=1.0)

錯誤項的懲罰引數

multi_class : string, ‘ovr’ or ‘crammer_singer’ (default=’ovr’)

如果y包含兩個以上的類，則確定多類策略。 “ovr”訓練n_classes one-vs-rest分類器，而“crammer_singer”優化所有類的聯合目標。 雖然crammer_singer在理論上是有趣的，因為它是一致的，但它在實踐中很少使用，因為它很少能夠提高準確性並且計算成本更高。 如果選擇“crammer_singer”，則將忽略選項loss，penalty和dual。

fit_intercept : boolean, optional (default=True)

是否計算此模型的截距。 如果設定為false，則不會在計算中使用截距（即，預期資料已經居中）。

intercept_scaling : float, optional (default=1)

當self.fit_intercept為True時，例項向量x變為[x，self.intercept_scaling]，即具有等於intercept_scaling的常量值的“合成”特徵被附加到例項向量。 截距變為intercept_scaling *合成特徵權重注意！ 合成特徵權重與所有其他特徵一樣經受l1 / l2正則化。 為了減小正則化對合成特徵權重（並因此對截距）的影響，必須增加intercept_scaling。

class_weight : {dict, ‘balanced’}, optional

將類i的引數C設定為SVC的class_weight [i] * C. 如果沒有給出，所有課程都應該有一個重量。 “平衡”模式使用y的值自動調整與輸入資料中的類頻率成反比的權重，如n_samples /（n_classes * np.bincount（y））

verbose : int, (default=0)

啟用詳細輸出。 請注意，此設定利用liblinear中的每程序執行時設定，如果啟用，可能無法在多執行緒上下文中正常工作。

random_state : int, RandomState instance or None, optional (default=None)

在隨機資料混洗時使用的偽隨機數生成器的種子。 如果是int，則random_state是隨機數生成器使用的種子; 如果是RandomState例項，則random_state是隨機數生成器; 如果為None，則隨機數生成器是np.random使用的RandomState例項。

max_iter : int, (default=1000)

要執行的最大迭代次數。