sklearn.svm中LinearSVR（svm线性回归）、LinearSVC(svm线性分类)与SVC(svm分类)、SVR（svm回归）之间的区别_sklearn.svm svr

区别：

LinearSVC:

SVM线性分类器；用来实现线性的分类任务

"""鸢尾花数据集，执行一个分类问题"""
 
import numpy as np
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC #线性SVM模型；
from sklearn.datasets import load_iris
 
 
iris_data=load_iris()
print(iris_data["data"])
print("============================")
X=iris_data["data"][:,(2,3)] #取长度和宽度；
# y=iris_data["target"]
# print(y)
y=(iris_data["target"] == 2).astype(np.float64)
 
#建立线性的模型：
svm_clf=Pipeline([
    #标准化
    ("scaler",StandardScaler()),
    #svc 线性：
    ("linear_svc",LinearSVC(C=1,loss="hinge"))] #C是软间隔参数；防止过拟合的现象；
)
 
svm_clf.fit(X,y)
res=svm_clf.predict([[6.3,1.2]])
print("res:",res)

SVC:

可以用来实现非线性的分类任务，支持核技巧；可以添加多项式特征；

from sklearn.svm import SVC
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.datasets import make_moons,load_iris
 
 
X,y=make_moons(n_samples=100,noise=0.15) #取样本数
 
 
poly_svm_clf=Pipeline([
    ("scaler",StandardScaler()),
      #添加核函数，多项式最高次为3
    ("svm_clf",SVC(kernel="poly",degree=3,coef0=1,C=5))
])
 
poly_svm_clf.fit(X,y)

LinearSVR：

SVM线性回归器；用来实现线性的分类任务；

from sklearn.svm import LinearSVR
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR,SVC #支持多项式特征；
from sklearn.datasets import make_moons
 
 
X,y=make_moons(n_samples=100,noise=0.15) #加入噪音；
 
svm_reg=LinearSVR(epsilon=1.5)
svm_reg.fit(X,y)

SVR:

可以用来实现非线性的回归任务，支持核技巧；可以添加多项式特征；

#使用SVR,支持核技巧：进行二分类问题
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVR,SVC #支持多项式特征；
from sklearn.datasets import make_moons
 
X,y=make_moons(n_samples=100,noise=0.15) #加入噪音；
#多项式特征是 kernel="poly" 核函数是将低维数据映射到高维数据； degree=2 C:软间隔系数；
svc_model=SVR(kernel="poly",degree=2,C=100,epsilon=0.1)
svc_model.fit(X,y)

核技巧：

核技巧，也就是核函数，如果数据集是比较低维的数据时，低维数据信息有些少，这时可以将低维的数据映射为高维的数据进行模型的训练。比如在低维空间进行分类比较困难，可以将数据映射到高维空间中，进行分类。

核函数：kernal参数；

kernel是svm中选择核函数的参数，其可选选项主要区别如下：

linear：线性核函数,是在数据线性可分的情况下使用的，运算速度快，效果好。不足在于它不能处理线性不可分的数据。
poly：多项式核函数,多项式核函数可以将数据从低维空间映射到高维空间，但参数比较多，计算量大。
rbf：高斯核函数（默认）,高斯核函数同样可以将样本映射到高维空间，但相比于多项式核函数来说所需的参数比较少，通常性能不错，所以是默认使用的核函数。
sigmoid：sigmoid 核函数,sigmoid 经常用在神经网络的映射中。因此当选用 sigmoid 核函数时，SVM 实现的是多层神经网络。