从我的研究中，我发现了三个相互矛盾的结果。
谁能解释一下什么时候使用 LinearSVC 与。SVC(kernel="linear")?
貌似LinearSVC比SVC略胜一筹，而且通常比较精细。但如果 scikit 决定花时间去实现线性分类的具体案例，为什么不将 LinearSVC 胜过 SVC?
在数学上，优化SVM是一个凸优化问题，通常有一个唯一的最小化器。这意味着这个数学优化问题只有一个解。
结果的差异来自于几个方面。SVC 和 LinearSVC 应该是优化同一个问题，但事实上，所有的 liblinear 估计器对截距进行惩罚，而 libsvm 的没有（IIRC）。这就导致了不同的数学优化问题，从而导致不同的结果。也可能有其他微妙的差异，比如缩放和默认损失函数（编辑：确保你设置了 loss='hinge' 在 LinearSVC). 其次，在多类分类中。liblinear 默认为onevs-rest，而 libsvm 做的是一对一。
SGDClassifier(loss='hinge') 与其他两种方法不同的是，它使用的是随机梯度下降法，而不是精确梯度下降法，可能不会收敛到相同的解。然而得到的解可能具有较好的普适性。
在 SVC 和 LinearSVC一个重要的决策标准是 LinearSVC 趋向于样本数越大收敛越快。这是由于线性核是一个特殊的情况，在Liblinear中进行了优化，但在Libsvm中没有。
实际的问题是在 弊端，他们把SVM称为什么 这不是SVM. LinearSVC实际上是在最小化铰链损失的平方，而不仅仅是铰链损失，此外，它还惩罚了偏置的大小（这 不是SVM)，更多细节请参考其他问题。Scikit -learn中的SVC和LinearSVC在什么参数下是等价的？
那么该用哪个呢？这纯粹是 具体问题. 由于没有免费的午餐定理，不可能说 "这个损失函数是最好的，就这样"。有时平方损耗会更好，有时是普通铰链。