[1] clf.predict([[2, 2], [3, 3]]) # predict the target of testing samples，预测结果
[2] clf.support_vectors_ # support vectors，正类和负类支持向量
[3] clf.support_ # indices of support vectors，正类和负类支持向量索引
[4] clf.n_support_ # number of support vectors for each class，正类和负类支持向量总个数

该函数的时间复杂度超过了O(N^2)，对于较大的数据集(10000样本以上)不建议使用

[1] C：浮点数，默认为1.0。
[2] kernel：核函数，默认为rbf型，其他可选的有linear，poly，sigmoid，precomputed，以及可调用自定义形式callable。如果给出了一个可调用函数，则用于从数据矩阵预先计算核心矩阵; 该矩阵应该是一个形式为[n_samples，n_samples]的数组。
[3] degree：整数形，默认为3。用于多项式核函数的度数(poly)。被所有其他内核忽略。
[4] gamma：浮点，可选默认为auto。该参数是rbf，poly和sigmoid的内核系数。如果gamma是auto，那么将会使用1 / n_features。
[5] coef0: 浮点型，默认为0.0。核函数的独立特征，仅仅在’poly’和’sigmoid’核函数中有意义
[6] probability：布尔型，可选，默认为False。是否启用概率估计，必须在调用fit之前启用，启用后会降低算法效率
[7] shrinking：布尔型，可选默认为True。是否使用缩减启发式。
[8] tol: 浮点型 默认为3.0。停止标准的公差
[9] cache_size：浮点型，可选。指定内核缓存的大小(以MB为单位)。
[10] class_weight：{dict,balanced}, 可选。将类i的参数C设置为SVC的class_weight[I]*C。
如果没有给出，所有类的weight为1。balanced模式使用y值自动调整权重，调整方式是与输入数据中类频率成反比。如n_samples / (n_classes * np.bincount(y))
[11] verbose：布尔型，默认为False。启用详细输出。请注意，此设置利用libsvm中的每个进程运行时设置，如果启用，可能无法在多线程环境中正常工作。
[12] max_iter：整型，可选默认-1。求解器中迭代的极限，或无限制的-1。
[13] decision_function_shape：ovo，ovr或者默认None。是否将一对多ovr的决策函数其形式为(n_samples, n_classes)，返回为其他的分类器。或者返回原始的一对一ovo决策函数其形式为(n_samples, n_classes * (n_classes - 1) / 2)。默认值“None”目前表现为“ovo”
[14] random_state：int，随机状态实例或无(默认)，伪随机数发生器的种子在混洗数据时用于概率估计。

SVM中最核心的是 核函数的选取 和参数选择。
SVM可以解决线性不可分的问题，解决思想是对原始数据的维度变换，一般是扩维变换，使得原样本空间中的样本点线性不可分，但是在变维之后的空间中样本点是线性可分的，然后再变换后的高维空间中进行分类。
不管是不扩维的求解还是扩维的求解，在求解对偶问题的过程中都会用到各样本点的内积的结果。在很多情况下，扩维可能会把原数据扩到很高维(甚至无穷维)，这时候直接求内积是非常困难的，为了避免做这样的事就提出了核函数的概念。

[1] 核函数：任意两个样本点在扩维后的空间的内积，如果等于这两个样本点在原来空间经过一个函数后的输出，那么这个函数就叫核函数。
[2] 作用：利用核函数可以转化高维内积为低维的函数运算了，只需要计算低维的内积，然后再平方。本质上 隐含了从低维到高维的映射，从而避免直接计算高维的内积 。
[3] 示例：线性核函数、多项式核函数、径像基核函数/高斯核函数、拉普拉斯核函数、sigmod核函数