svm.svc中的所有参数

SVM（支持向量机）是一种分类算法，其中SVC（支持向量分类器）是SVM的一种实现。SVC有多个参数可以调整，以下是一些常见参数：

1. C：惩罚参数，用于控制错误分类的惩罚力度。C越大，模型越容易过拟合，C越小，模型越容易欠拟合。

2. kernel：核函数类型，用于将低维特征映射到高维特征空间。常见的核函数包括线性核、多项式核、RBF（径向基函数）核等。

3. degree：多项式核的次数，默认为3。

4. gamma：RBF核的系数，控制高维空间中点之间的距离。gamma越大，高维空间中点之间的距离越近，模型越容易过拟合。

5. coef0：核函数中的常数项。

6. shrinking：是否使用缩小启发式。如果启用，则在训练过程中将删除无用的支持向量，加快训练速度。

7. probability：是否启用概率估计。如果启用，则模型将输出每个类别的概率。

8. tol：停止训练的容错率。

9. cache_size：核函数缓存大小。

10. class_weight：分类器权重，用于处理不平衡的类别分布。

11. max_iter：最大迭代次数。

以上是SVC中的一些常用参数，但并不是全部参数。