我正在从事分类任务 - 基于Twitter用户的地理位置。
我通过使用Sklearn的SVC，NUSVC和LinarearsVC和单词袋模型进行了许多实验。精度为35％，60％和80％。SVC和LinareSVC之间的差异超过两倍，令人震惊。
我不太确定为什么会完全这样。可能是因为过度拟合或不合适吗？为什么分类器之间有如此多的区别？
在一般的非线性内核中，比线性函数更适合对更复杂的功能进行建模，但它取决于数据，所选的超级参数（例如惩罚和内核）以及如何评估评估您的结果。
linearsvc
与SVC相似，具有参数kernel ='lineare'，但用liblinear而不是libsvm来实现，因此它在选择惩罚和损失功能方面具有更大的灵活性，并且应该更好地扩展到大量样本。
来源：Sklearn.svm.linearsvc.html＃sklearn.svm.linearsvc
svc
实施基于libsvm。适合时间的复杂性与样品数量相比，这使得很难用超过10000个样本扩展到数据集。
来源：Sklearn.svm.svc.html＃sklearn.svm.svc
首先，您应该测试LinearSVC模型，因为它只有几个超级参数，并且应该给您第一个结果。之后，您可以尝试训练一堆SVC型号并选择最好的。为此，我建议通过C，kernel，degree，gamma，coef0和CC_7进行搜索。