我找到了sklearn.svm.LinearSVC和sklearn.svm.SVC(kernel='linear')，它们看起来与我非常相似，但我在路透社得到的结果却大不相同。
sklearn.svm.LinearSVC: 81.05% in 28.87s train / 9.71s test
sklearn.svm.SVC : 33.55% in 6536.53s train / 2418.62s test
两者都有一个线性内核。线性SVC的公差高于SVC的容差：
LinearSVC(C=1.0, tol=0.0001, max_iter=1000, penalty='l2', loss='squared_hinge', dual=True, multi_class='ovr', fit_intercept=True, intercept_scaling=1)
SVC (C=1.0, tol=0.001, max_iter=-1, shrinking=True, probability=False, cache_size=200, decision_function_shape=None)
否则这两个功能有何不同？即使我设置了kernel='linear，tol=0.0001，max_iter=1000 anddecision_function_shape='ovr'theSVCtakes much longer than线性SVC'。为什么？
我使用sklearn 0.18，两者都包裹在OneVsRestClassifier中。我不确定这是否与multi_class='ovr'/decision_function_shape='ovr'相同。
确实，LinearSVC和SVC(kernel='linear')会产生不同的结果，即指标分数和决策边界，因为它们使用不同的方法。下面的玩具示例证明了这一点：
from sklearn.datasets import load_iris
from sklearn.svm import LinearSVC, SVC
X, y = load_iris(return_X_y=True)
clf_1 = LinearSVC().fit(X, y) # possible to state loss='hinge'
clf_2 = SVC(kernel='linear').fit(X, y)
score_1 = clf_1.score(X, y)
score_2 = clf_2.score(X, y)
print('LinearSVC score %s' % score_1)
print('SVC score %s' % score_2)
--------------------------
>>> 0.96666666666666667
>>> 0.98666666666666669
这种差异的关键原则如下：
- 默认情况下，缩放时，
LinearSVC最小化方形铰链损失，同时SVC最小化常规铰链损失。可以在LinearSVC中为loss参数手动定义"铰链"字符串。 LinearSVC使用一对一(也称为一对一(多类缩减，而SVC使用一对一多类缩减。这里也注明了。此外，对于多类分类问题SVC拟合N * (N - 1) / 2模型，其中N是类的数量。 相比之下，LinearSVC只是适合N模型。如果分类问题是二元的，则只有一个模型适合这两种情况。multi_class和decision_function_shape参数没有任何共同之处。第二个是聚合器，它将决策函数的结果转换为方便的(n_features, n_samples)形式。multi_class是一种建立解决方案的算法方法。LinearSVC的基本估计量是自由线性的，实际上会惩罚截距。SVC使用libsvm估计器，而libsvm估计器则不使用。liblinear估计器针对线性(特殊(情况进行了优化，因此在大量数据上的收敛速度比libsvm更快。这就是为什么LinearSVC解决问题所需的时间更少。
事实上，在截距缩放之后，LinearSVC实际上并不是评论部分所述的线性。
它们之间的主要区别在于 linearsvc 允许您只选择线性分类器，而 svc 允许您从各种非线性分类器中进行选择。 但是，不建议将 SVC 用于非线性问题，因为它们非常慢。 尝试导入其他库以进行非线性分类。
现在，即使在定义了 kernel='linear' 之后，我们也不会得到相同的输出，这是因为 LinearSVC 和 SVC 在进行背景数学运算时都尝试了不同的方法。 此外，LinearSVC 基于一对一对休息的原则工作，而 SVC 在一对一上工作。
我希望这能回答你的问题。