给SVM分类的参数有那些

SVM分类器的参数主要包括以下几个：

1. C：惩罚参数，用于平衡分类误差和模型复杂度之间的关系。C值越小，表示容忍分类错误的程度越高，模型复杂度越低；C值越大，则表示对分类错误的容忍程度越低，模型复杂度越高。

2. kernel：核函数，用于将数据映射到高维空间中，以便能够更好地进行分类。常用的核函数包括线性核函数、多项式核函数、高斯核函数等。

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

4. gamma：高斯核函数的带宽参数，控制了数据点的影响范围。gamma值越小，表示数据点的影响范围越广，模型复杂度越低；gamma值越大，表示数据点的影响范围越窄，模型复杂度越高。

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

6. shrinking：是否启用启发式缩放，可以加速模型的训练过程。默认值为True。

7. probability：是否计算类别概率，用于预测样本属于各个类别的概率。默认值为False。

8. tol：停止训练的误差容忍度。默认值为1e-3。

9. max_iter：最大迭代次数。默认值为-1，表示没有限制。