写在前面的话：本人刚刚学sklearn，很多参数也不是很懂，英语又比较low，只能求助google翻译，若有不对的地方，请大佬指出来。

Sklearn.svm.SVC参数设置

Sklearn.svm.SVC(C=1.0, kernel=’rbf’, degree=3, gamma=’auto’, coef0=0.0, shrinking=True, probability=False,tol=0.001, cache_size=200, class_weight=None, verbose=False, max_iter=-1, decision_function_shape=’ovr’,random_state=None)

C: float,optional(default=1.0)

错误项的惩罚参数C

Kernel:string,optional(default=’rbf’)

指定要在算法中使用的内核类型。 它必须是'linear'，'poly'，'rbf'，'sigmoid'，'precomputed'或者callable之一。 如果没有给出，将使用'rbf'。 如果给出可调用，则它用于从数据矩阵预先计算内核矩阵; 该矩阵应该是一个形状数组（n_samples，n_samples）。

degree: int,option(default=3)

多项式核函数的次数（'poly'）。 被所有其他内核忽略。

gamma: float,optional(default:’auto’)

'rbf'，'poly'和'sigmoid'的核系数。 如果gamma是'auto'，那么将使用1 / n_features。

coef0:float,option(default:0.0)

核函数中的独立项。 它只在'poly'和'sigmoid'中很重要。

probability : boolean, optional (default=False)

是否启用概率估计。 必须在调用fit之前启用它，并且会减慢该方法的速度。

shrinking : boolean, optional (default=True)

是否使用收缩启发式。

tol : float, optional (default=1e-3)

公差停止标准

cache_size : float, optional

指定内核缓存的大小（以MB为单位）。

class_weight : {dict, ‘balanced’}, optional

将类i的参数C设置为SVC的class_weight [i] * C. 如果没有给出，所有类都应该有一个重量。 “平衡”模式使用y的值自动调整与输入数据中的类频率成反比的权重，如n_samples /（n_classes * np.bincount（y））

verbose : bool, default: False

启用详细输出。 请注意，此设置利用libsvm中的每进程运行时设置，如果启用，则可能无法在多线程上下文中正常运行。

max_iter : int, optional (default=-1)

求解器内迭代的硬限制，或无限制的-1。

decision_function_shape : ‘ovo’, ‘ovr’, default=’ovr’

是否将形状（n_samples，n_classes）的one-rest-rest（'ovr'）决策函数作为所有其他分类器返回，或者返回具有形状的libsvm的原始one-vs-one（'ovo'）决策函数（n_samples） ，n_classes *（n_classes - 1）/ 2）。

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

在随机数据混洗时使用的伪随机数生成器的种子。 如果是int，则random_state是随机数生成器使用的种子; 如果是RandomState实例，则random_state是随机数生成器; 如果为None，则随机数生成器是np.random使用的RandomState实例。

原文出处：https://blog.csdn.net/ustbclearwang/article/details/81236316