>>> from sklearn import svmX = [[0,0], [1,1],[2,2],[3,3]]
Y = [0, 1,2,3]
clf = SVC( probability=True)
clf.fit(X,Y)
print(clf.predict([[0,0], [1,1],[2,2],[3,3]]))
print(clf.predict_proba([[0,0], [1,1],[2,2],[3,3]]))打印如下：
[0 1 2 3]
[[ 0.15246393  0.23705461  0.30392427  0.30655719][ 0.2550524   0.16488868  0.25497241  0.3250865 ][ 0.32594085  0.25411181  0.16480942  0.25513792][ 0.30659971  0.30340014  0.23672633  0.15327383]]
--------------------- 
作者：m0_37870649 
来源：CSDN 
原文：https://blog.csdn.net/m0_37870649/article/details/81747614 
版权声明：本文为博主原创文章，转载请附上博文链接！

one to one 方案

clf = SVC(decision_function_shape='ovo')
clf.fit(X, Y)

SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,decision_function_shape='ovo', degree=3, gamma='auto', kernel='rbf',max_iter=-1, probability=False, random_state=None, shrinking=True,tol=0.001, verbose=False)

one to rest

clf.decision_function_shape = "ovr"

SVC方法decision_function给每个样本中的每个类一个评分，当我们将probability设置为True之后，我们可以通过predict_proba和predict_log_proba可以对类别概率进行评估。

不均衡问题
我们可以通过class_weight和sample_weight两个关键字实现对特定类别或者特定样本的权重调整

StandardScaler类是一个用来讲数据进行归一化和标准化的类。
所谓归一化和标准化，即应用下列公式：

使得新的X数据集方差为1，均值为0
fit_transform方法是fit和transform的结合，fit_transform(X_train) 意思是找出X_train的和，并应用在X_train上。
这时对于X_test，我们就可以直接使用transform方法。因为此时StandardScaler已经保存了X_train的

作者：抬头看月亮
链接：https://www.jianshu.com/p/2a635d9e894d
来源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。