linearsvc比svc(kernel='linear')快在底层求解器不同：前者直接在原始空间用liblinear/saga优化线性目标，后者仍走对偶路径、需计算o(n²)核矩阵，故在高维或大数据上训练快5–20倍、内存低一个数量级。
LinearSVC比SVC(kernel='linear')快在哪
因为底层求解器不同：LinearSVC 直接在原始空间优化线性目标函数，用的是 liblinear 或 saga 求解器；而 SVC(kernel='linear') 仍走对偶问题路径，计算核矩阵（即使线性核也需 O(n²) 内存和时间）。当样本数 > 10⁴ 或特征维数高（如 TF-IDF 文本向量），LinearSVC 训练速度通常快 5–20 倍，内存占用低一个数量级。
必须设 dual=False 的两个条件
官方文档明确建议：当 n_samples > n_features（常见于文本、基因表达等高维稀疏数据）时，dual=True 会触发低效的对偶求解，极易超时或 OOM。此时必须手动设 dual=False —— 否则默认 dual=True 在大数据上根本跑不完。
-
dual=False强制使用原始问题优化，支持penalty='l1'和更稳定的收敛 - 若误留
dual=True，max_iter达到默认 1000 后常报ConvergenceWarning，但模型已失效 - 哪怕你只用
penalty='l2'，只要n_samples > n_features，也得关 dual
loss 和 penalty 组合的实际影响
loss='hinge' 对异常值更鲁棒，但梯度不连续，训练稍慢；loss='squared_hinge'（默认）梯度平滑，收敛更快，多数场景优先选它。而 penalty 不只是正则类型选择：
-
penalty='l2'+dual=False：默认组合，适合大多数线性可分/近似可分任务 -
penalty='l1'+dual=False：能做特征筛选，输出稀疏系数（coef_中大量为 0），但需配合loss='squared_hinge'，且C要调得更小（比如 0.01）才有效 -
penalty='l1'+dual=True：不支持，会直接抛ValueError
C 参数的真实缩放逻辑
C 是惩罚强度的倒数——不是正则系数 λ。C 越大，对误分类容忍越低，模型越复杂；C 越小，正则越强，越倾向简单边界。但注意：
- 默认
C=1.0在高维稀疏数据上往往过拟合，建议从C=0.01或C=0.1起步 - 用
LogisticRegression调参经验不能直接套用——两者损失函数不同（log loss vs hinge），C 的敏感区间也不一样 - 验证时别只看
score()，对非平衡数据务必检查classification_report中的 per-class f1，否则可能高分假象
真正卡住性能的往往不是算法本身，而是没关 dual、乱设 penalty 组合、或把 C 当成通用正则参数硬搬。这些细节不手动干预，LinearSVC 就只是个“名字快”的普通分类器。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
