svm.SVC

`svm.SVC` 是 Scikit-learn 中 SVM 模型的一个实现类。SVC 的全称是 Support Vector Classification，即支持向量分类器。它是一种基于最大间隔的分类算法，通过将训练数据集投影到高维空间中，找到能够将不同类别的数据分隔开的超平面，从而实现分类。

SVC 可以使用不同的核函数来处理线性和非线性分类问题。常用的核函数有：

- 线性核函数：使用线性超平面将数据分隔开，适用于线性分类问题。
- 多项式核函数：通过将数据映射到高维空间中，使用多项式函数定义超平面，适用于非线性分类问题。
- 高斯核函数：也称为径向基函数（RBF），通过将数据映射到高维空间中，使用高斯函数定义超平面，适用于非线性分类问题。

SVC 的常用参数如下：

- kernel：核函数，默认为 RBF 核函数。
- C：惩罚系数，用于控制分类器的错误率和间隔，值越小表示允许错误率越高，值越大表示希望分类器尽可能减小错误率。默认为 1.0。
- gamma：RBF 核函数的参数，控制数据点映射到高维空间后的分布，值越大表示映射后的数据点分布越密集，决策边界越不规则。默认为 auto，表示自动根据训练数据估计 gamma 的值。
- degree：多项式核函数的参数，表示多项式的次数。默认为 3。
- coef0：多项式核函数和 Sigmoid 核函数的参数，表示常数项。默认为 0.0。

SVC 的使用方法与其他 Scikit-learn 中的模型类似。首先，需要导入 `svm` 模块，然后创建一个 SVC 对象，设置相应的参数，最后调用 `fit` 方法在训练数据上拟合模型。例如：

from sklearn import svm

# 创建一个 SVC 对象，使用默认参数
clf = svm.SVC()

# 在训练数据上拟合模型
clf.fit(X_train, y_train)

其中，`X_train` 表示训练数据的特征矩阵，`y_train` 表示训练数据的目标变量。拟合完成后，就可以使用模型对新的测试数据进行分类了。