在 sklearn 中，LinearSVC 线性支持向量机（SVM）的原始形式支持的两种目标函数类型，分别是 ：

• L1 + squared_hinge
• L2 + squared_hinge

squared_hinge 是目标函数中的损失项，它是标准的 hinge loss 的平方形式。它可以提供更强的鲁棒性和更快的收敛性。接下来，我们将探讨如何理解这两种形式的目标函数。

1. L2 + squared_hinge

其中：

• \( w \) 表示权重向量
• \( C \) 正则化系数，控制误差与模型复杂度的权衡
• \( x_{i} \) 和 \( y_{i} \) 表示样本数据和标签
• \( ||w||_{2}^{2} \) 表示 L2 正则化项，即：权重向量的平方和

2. L1 + squared_hinge

其中：

• \( w \) 表示权重向量
• \( C \) 正则化系数，控制误差与模型复杂度的权衡
• \( x_{i} \) 和 \( y_{i} \) 表示样本数据和标签
• \( ||w||_{1}^{2} \) 表示 L1 正则化项，即：权重向量的绝对值和。