LinearSVC sklearn（scikit-learn）中C的行为

Question

首先创建一些玩具数据：

n_samples=20
X=np.concatenate((np.random.normal(loc=2, scale=1.0, size=n_samples),np.random.normal(loc=20.0, scale=1.0, size=n_samples),[10])).reshape(-1,1)
y=np.concatenate((np.repeat(0,n_samples),np.repeat(1,n_samples+1)))
plt.scatter(X,y)

在图形下方以可视化数据：

然后我用LinearSVC训练模型

from sklearn.svm import LinearSVC
svm_lin = LinearSVC(C=1)
svm_lin.fit(X,y)

我对C的理解是：

• 如果C非常大，则不会容忍错误分类，因为惩罚会很大。
• 如果C很小，将容忍错误分类以使边距（软边距）变大。

[使用C=1，我有下面的图（橙色线表示给定x值的预测），我们可以看到决策边界在7左右，因此C=1足够大，不会出现任何错误分类。] >

X_test_svml=np.linspace(-1, 30, 300).reshape(-1,1)
plt.scatter(X,y)
plt.scatter(X_test_svml,svm_lin.predict(X_test_svml),marker="_")
plt.axhline(.5, color='.5')

例如，以C=0.001，我希望决策边界移到右侧，例如大约11，但是我得到了：

我尝试了具有SVC功能的另一个模块：

from sklearn.svm import SVC
svc_lin = SVC(kernel = 'linear', random_state = 0,C=0.01)
svc_lin.fit(X,y)
我成功获得了期望的输出：

并且使用我的R代码，我得到了一些更容易理解的东西。 （我使用了svm包中的e1071函数）

首先，我创建一些玩具数据：n_samples = 20 X = np.concatenate（（np.random.normal（loc = 2，scale = 1.0，size = n_samples），np.random.normal（loc = 20.0，scale = 1.0，size = n_samples），[10]））。reshape（-1,1）y = np ....

Answer 1

[LinearSVC和SVC(kernel=linear)是不同的东西。