我阅读了这个讨论，内容是关于scikit-learn中SVC()和LinearSVC()的区别。
现在我有一个二分类问题的数据集（对于这样的问题，两个函数之间的一对一/一对多策略差异可以忽略）。
我想尝试在什么参数下这两个函数会给我相同的结果。首先，当然，我们应该为SVC()设置kernel='linear'。然而，我就是无法从这两个函数中得到相同的结果。我在文档中找不到答案，有人能帮我找到我正在寻找的等价参数集吗？
更新：我修改了scikit-learn网站上的一个示例代码，显然它们是不一样的：
import numpy as npimport matplotlib.pyplot as pltfrom sklearn import svm, datasets# import some data to play withiris = datasets.load_iris()X = iris.data[:, :2] # we only take the first two features. We could # avoid this ugly slicing by using a two-dim datasety = iris.targetfor i in range(len(y)): if (y[i]==2): y[i] = 1h = .02 # step size in the mesh# we create an instance of SVM and fit out data. We do not scale our# data since we want to plot the support vectorsC = 1.0 # SVM regularization parametersvc = svm.SVC(kernel='linear', C=C).fit(X, y)lin_svc = svm.LinearSVC(C=C, dual = True, loss = 'hinge').fit(X, y)# create a mesh to plot inx_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))# title for the plotstitles = ['SVC with linear kernel', 'LinearSVC (linear kernel)']for i, clf in enumerate((svc, lin_svc)): # Plot the decision boundary. For that, we will assign a color to each # point in the mesh [x_min, m_max]x[y_min, y_max]. plt.subplot(1, 2, i + 1) plt.subplots_adjust(wspace=0.4, hspace=0.4) Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) # Put the result into a color plot Z = Z.reshape(xx.shape) plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.8) # Plot also the training points plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired) plt.xlabel('Sepal length') plt.ylabel('Sepal width') plt.xlim(xx.min(), xx.max()) plt.ylim(yy.min(), yy.max()) plt.xticks(()) plt.yticks(()) plt.title(titles[i])plt.show()结果：前述代码的输出图
回答：
在数学意义上，你需要设置：
SVC(kernel='linear', **kwargs) # 默认使用RBF核和
LinearSVC(loss='hinge', **kwargs) # 默认使用平方铰链损失另一个难以轻易解决的问题是增加LinearSVC中的intercept_scaling，因为在这个实现中偏置是被正则化的（这在SVC中不是真的，在SVM中也不应该是真的 – 因此这不是SVM） – 因此它们将永远不会完全相等（除非你的问题中偏置为0），因为它们假设了两个不同的模型
- SVC :
1/2||w||^2 + C SUM xi_i - LinearSVC:
1/2||[w b]||^2 + C SUM xi_i
个人认为，LinearSVC是scikit-learn开发者犯下的错误之一 – 这个类根本就不是线性SVM。
在增加截距缩放（到10.0）后
然而，如果你过度放大它 – 它也会失败，因为现在容差和迭代次数变得至关重要。
总结：LinearSVC不是线性SVM，如果没有必要，请不要使用它。
