先再谈一下需要对svm算法需要熟悉到什么程度，这里引用七月在线创始人July的微博：
SVM理解到了一定程度后，是的确能在脑海里从头至尾推导出相关公式的，最初分类函数，最大化分类间隔，max1/||w||，min1/2||w||^2，凸二次规划，拉格朗日函数，转化为对偶问题，SMO算法，都为寻找一个最优解，一个最优分类平面。一步步梳理下来，为什么这样那样，太多东西可以追究，最后实现。
sklearn.svm
Sklearn包含的常用算法里介绍过常用的算法，scikit-learn中学习模式的调用，有很强的统一性，调用机器学习的方法都是一个道理，算法就是一个类，其中包含fit(),predict()等等许多方法，我们只要输入训练样本和标记，以及模型的一些可能的参数，自然就直接出分类的结果。
总结起来就是8个字：导入-建模-训练-预测
先看个小例子，然后再细解。
import numpy as np X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]]) y = np.array([1, 1, 2, 2]) from sklearn.svm import NuSVC clf = NuSVC() clf.fit(X, y) print(clf.fit(X,y)) NuSVC(cache_size=200, class_weight=None, coef0=0.0, decision_function_shape='ovr', degree=3, gamma='auto', kernel='rbf', max_iter=-1, nu=0.5, probability=False, random_state=None, shrinking=True, tol=0.001, verbose=False) print(clf.predict([[-0.8, -1]]))[1]
更多案例，大家可以移步scikit-learn官网
https://scikit-learn.org/stable/modules/svm.html#svm-classification
scikit-learn中SVM的算法库分为两类，
一类是分类的算法库，包括SVC， NuSVC，和LinearSVC 3个类。
另一类是回归算法库，包括SVR， NuSVR，和LinearSVR 3个类。
相关的类都包裹在sklearn.svm模块之中。
对于SVC， NuSVC，和LinearSVC 3个分类的类，SVC和 NuSVC差不多，区别仅仅在于对损失的度量方式不同，而LinearSVC从名字就可以看出，他是线性分类，也就是不支持各种低维到高维的核函数，仅仅支持线性核函数，对线性不可分的数据不能使用。
同样的，对于SVR， NuSVR，和LinearSVR 3个回归的类， SVR和NuSVR差不多，区别也仅仅在于对损失的度量方式不同。LinearSVR是线性回归，只能使用线性核函数。
下面我们只说看一下SVC详细用法，NuSVC、LinearSVC建议大家看一下刘建平Pinard@cnblogs统计的表格
https://www.cnblogs.com/pinard/p/6117515.html
SVC函数一共有14个参数：
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;
(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。
核函数如何选取
1）线性核函数（Linear Kernel）表达式为：K(x,z)=x∙z，就是普通的内积，LinearSVC 和 LinearSVR 只能使用它。
2) 多项式核函数（Polynomial Kernel）是线性不可分SVM常用的核函数之一，表达式为：，其中，γ,r,d都需要自己调参定义,比较麻烦。
3）高斯核函数（Gaussian Kernel），在SVM中也称为径向基核函数（Radial Basis Function,RBF），它是libsvm默认的核函数，当然也是scikit-learn默认的核函数。表达式为：， 其中，γ大于0，需要自己调参定义。
4）Sigmoid核函数（Sigmoid Kernel）也是线性不可分SVM常用的核函数之一，表达式为：， 其中，γ,r都需要自己调参定义。
更多案例，大家可以移步scikit-learn官网
最常用的是核函数是Linear与RBF，需要注意的是对数据归一化处理。
1、Linear：主要用于线性可分的情形。参数少，速度快，对于一般数据，分类效果已经很理想了。
2、RBF：主要用于线性不可分的情形。参数多，分类结果非常依赖于参数。
吴恩达也曾经给出过选择核函数的方法：
1、如果Feature的数量很大，跟样本数量差不多，这时候选用LR或者是Linear Kernel的SVM
2、 如果Feature的数量比较小，样本数量一般，不算大也不算小，选用SVM+Gaussian Kernel
3、 如果Feature的数量比较小，而样本数量很多，需要手工添加一些feature变成第一种情况