sklearn—支持向量机

SVC介绍:

　　

拟合出来的模型为一个超平面
解决与样本维数无关，适合作文本分类
解决小样本、非线性、高维
是用于分类、回归、孤立点检测的监督学习方法的集合。
优势：
有效的高维空间
维数大于样本数的时候仍然有效
在决策函数中使用训练函数的子集
通用（支持不一样的内核函数：线性、多项式、 s 型等）
缺点：
不适用于特征数远大于样本数的状况
不直接提供几率估计
接受稠密和稀疏的输入