查阅SVC文件，并在下面记下每个超参数的含义,什么是“决策函数形状”，在决策函数形状中“ovr”和“ovo”之间有什么区别？

SVC（Support Vector Classifier）文件是支持向量分类器的一种机器学习模型。下面是SVC中常见的超参数及其含义：

1. C：正则化参数，控制模型的复杂度。较小的C值会导致容忍更多的错误分类，较大的C值会强调正确分类样本。

2. kernel：核函数的选择，用于将输入空间映射到高维特征空间。常见的核函数有线性、多项式、高斯（RBF）等。

3. degree：多项式核函数的次数，仅在kernel为'poly'时有效。

4. gamma：RBF核函数的尺度参数，控制数据点对模型的影响范围。较小的gamma值会导致决策边界变得平滑，较大的gamma值会导致决策边界更关注局部区域。

5. coef0：核函数中的常数项，仅在kernel为'poly'或'sigmoid'时有效。

6. shrinking：是否使用启发式方法来加速训练过程，默认为True。

7. probability：是否启用概率估计，默认为False。如果启用，则可以使用predict_proba方法预测样本属于每个类别的概率。

8. decision_function_shape：决策函数形状的选择，用于多类分类问题。可选值为'ovr'（一对多）和'ovo'（一对一）。

决策函数形状指的是在多类分类问题中，模型如何进行决策。'ovr'（One-vs-Rest）将每个类别与其他所有类别进行区分，形成多个二分类问题。'ovo'（One-vs-One）将每两个类别之间形成一个二分类问题，从而形成多个二分类器。这两种形式在处理多类分类问题时有不同的计算方法和特点。