SVM的基本概念
先介绍一些简单的基本概念：
分隔超平面：将数据集分割开来的直线叫做分隔超平面。
超平面：如果数据集是N维的，那么就需要N-1维的某对象来对数据进行分割。该对象叫做超平面，也就是分类的决策边界。
间隔：
一个点到分割面的距离，称为点相对于分割面的距离。
数据集中所有的点到分割面的最小间隔的2倍，称为分类器或数据集的间隔。
最大间隔：SVM分类器是要找最大的数据集间隔。
支持向量：坐落在数据边际的两边超平面上的点被称为支持向量
为什么要求最大间隔：
是因为几何间隔与样本的误分次数间存在关系：
误分次数
其中的δ是样本集合到分类面的间隔，R=max ||xi|| i=1,…,n，即R是所有样本中（xi是以向量表示的第i个样本）向量长度最长的值（也就是说代表样本的分布有多么广）。先不必追究误分次数的具体定义和推导过程，只要记得这个误分次数一定程度上代表分类器的误差。而从上式可以看出，误分次数的上界由几何间隔决定！（当然，是样本已知的时候）
sklearn.svc 参数
sklearn中的SVC函数是基于libsvm实现的，所以在参数设置上有很多相似的地方。（PS: libsvm中的二次规划问题的解决算法是SMO）。
对于SVC函数的参数解释如下：（主要翻译的sklearn 文档）
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，容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，一般采用后者，把训练样本集中错误分类的样本作为噪声。
kernel: str参数 默认为‘rbf’
算法中采用的核函数类型，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
precomputed表示自己提前计算好核函数矩阵，这时候算法内部就不再用核函数去计算核矩阵，而是直接用你给的核矩阵。核矩阵为如下形式：
还有一点需要说明，除了上面限定的核函数外，还可以给出自己定义的核函数，其实内部就是用你自己定义的核函数来计算核矩阵。
degree: int型参数 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。
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_features.
coef0: float参数 默认为0.0
核函数中的独立项，只有对‘poly’和‘sigmod’核函数有用，是指其中的参数c
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，并且会fit()方法速度变慢。
shrinking： bool参数 默认为True
是否采用启发式收缩方式
tol: float参数 默认为1e^-3
svm停止训练的误差精度
cache_size： float参数 默认为200
指定训练所需要的内存，以MB为单位，默认为200MB。
class_weight： 字典类型或者‘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，则会给所有类别都给C=1，即前面参数指出的参数C.
如果给定参数‘balance’，则使用y的值自动调整与输入数据中的类频率成反比的权重。
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正常工作。一般情况都设为False，不用管它。
max_iter ： int参数 默认为-1
最大迭代次数，如果为-1，表示不限制
random_state： int型参数 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。
★fit() 方法：用于训练SVM，具体参数已经在定义SVC对象的时候给出了，这时候只需要给出数据集X和X对应的标签y即可。
★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个测试样本的类别。
★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