svm肯定需要调参~，对结果影响也很大。
SVC参数解释 （1）C: 目标函数的惩罚系数C，用来平衡分类间隔margin和错分样本的，default C = 1.0； （2）kernel：参数选择有RBF, Linear, Poly, Sigmoid, 默认的是”RBF”; （3）degree：if you choose ‘Poly’ in param 2, this is effective, degree决定了多项式的最高次幂； （4）gamma：核函数的系数(‘Poly’, ‘RBF’ and ‘Sigmoid’), 默认是gamma = 1 / n_features; （5）coef0：核函数中的独立项，’RBF’ and ‘Poly’有效； （6）probablity: 可能性估计是否使用(true or false)； （7）shrinking：是否进行启发式； （8）tol（default = 1e - 3）: svm结束标准的精度; （9）cache_size: 制定训练所需要的内存（以MB为单位）； （10）class_weight: 每个类所占据的权重，不同的类设置不同的惩罚参数C, 缺省的话自适应； （11）verbose: 跟多线程有关，不大明白啥意思具体； （12）max_iter: 最大迭代次数，default = 1， if max_iter = -1, no limited; （13）decision_function_shape ： ‘ovo’ 一对一, ‘ovr’ 多对多 or None 无, default=None （14）random_state ：用于概率估计的数据重排时的伪随机数生成器的种子。 ps：7,8,9一般不考虑。 ”’
LinearSVC 参数解释 C：目标函数的惩罚系数C，用来平衡分类间隔margin和错分样本的，default C = 1.0； loss ：指定损失函数 penalty ： dual ：选择算法来解决对偶或原始优化问题。当n_samples > n_features 时dual=false。 tol ：（default = 1e - 3）: svm结束标准的精度; multi_class：如果y输出类别包含多类，用来确定多类策略， ovr表示一对多，“crammer_singer”优化所有类别的一个共同的目标 如果选择“crammer_singer”，损失、惩罚和优化将会被被忽略。 fit_intercept ： intercept_scaling ： class_weight ：对于每一个类别i设置惩罚系数C = class_weight[i]C,如果不给出，权重自动调整为 n_samples / (n_classes np.bincount(y)) verbose：跟多线程有关
参考更多：http://blog.csdn.net/gamer_gyt/article/details/51265347
