我意识到这是一个非常古老的问题，但我今天遇到了同样的事情，并找到了这个文件。第 7.3 节描述了在 libSVM 中实现的收缩（sklearn 的 SVM 是一个包装器），从以下有用的简介开始：

收缩技术通过暂时消除在 SMO 工作集中不太可能被选择的变量 α_i 来减小问题的规模，因为它们已经达到了它们的下限或上限（Joachims，1999）。然后 SMO 迭代继续对剩余变量进行。收缩减少了更新梯度向量所需的内核值的数量（参见算法 6.2，第 8 行）。因此提高了内核缓存的命中率。

所以基本上 libSVM 优化了拉格朗日乘数 α_i 的一个子集。由于其中许多在给定问题中通常为零，因此这通常是一种安全的启发式方法。在链接的文档中可以找到更多信息。

scale_C=True表示 SVM 问题的 C 参数随样本数量而缩放。这是 libSVM 和 liblinear 中的默认设置，但是如果您使用大量不同数量的样本训练模型，则意味着单个 C 值不足以满足所有模型。因此，我们提倡使用scale_C=False. 它记录在SVM 对象的参数列表中。

我必须承认，我不知道收缩启发式是什么，并且它没有正确记录在 libSVM 文档中。