LinearSVC和SVC(kernel=“线性”)有什么区别？

I found sklearn.svm.LinearSVC http://scikit-learn.org/stable/modules/generated/sklearn.svm.LinearSVC.html and sklearn.svm.SVC(kernel='linear') http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html他们看起来与我非常相似，但我在路透社上得到了截然不同的结果。

sklearn.svm.LinearSVC: 81.05% in   28.87s train /    9.71s test
sklearn.svm.SVC      : 33.55% in 6536.53s train / 2418.62s test

两者都有线性内核。 LinearSVC 的容差比 SVC 的容差高：

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)

否则这两个函数有何不同？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？

I use sklearn 0.18两者都包裹在OneVsRestClassifier。我不确定这是否与multi_class='ovr' / decision_function_shape='ovr'.

Truly, LinearSVC and SVC(kernel='linear')产生不同的结果，i。 e.指标得分和决策边界，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

这种差异的主要原则如下：

• 默认缩放，LinearSVC最小化平方铰链损耗，同时SVC最大限度地减少常规铰链损失。可以手动定义“铰链”字符串loss参数输入LinearSVC.
• LinearSVC使用一对多（也称为一对一 https://en.wikipedia.org/wiki/Multiclass_classification#One-vs.-rest）多类减少，同时SVC使用一对一 https://en.wikipedia.org/wiki/Multiclass_classification#One-vs.-one多类减少。还指出here http://scikit-learn.org/stable/modules/svm.html#multi-class-classification。另外，对于多类分类问题SVC fits N * (N - 1) / 2模型在哪里N是课程的数量。LinearSVC相比之下，简单地适合N楷模。如果分类问题是二元问题，则只有一个模型适合两种情况。multi_class and decision_function_shape参数没有任何共同点。第二个是聚合器，它将决策函数的结果转换为方便的形式(n_features, n_samples). multi_class是一种建立解决方案的算法方法。
• 基本估计量为LinearSVC are 线性库，这实际上会惩罚拦截。SVC uses libsvm估计者则不然。线性库估计器针对线性（特殊）情况进行了优化，因此在大量数据上的收敛速度比libsvm。因此LinearSVC解决问题所需的时间更少。

实际上，LinearSVC正如评论部分所述，截距缩放后实际上并不是线性的。