使用线性核函数的支持向量机分类器（SVC画图代码

好的，以下是使用线性核函数的支持向量机分类器（SVC）的画图代码，你可以根据需要进行修改：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm

# 生成随机数据
np.random.seed(0)
X = np.random.randn(100, 2)
y = np.logical_xor(X[:, 0] > 0, X[:, 1] > 0)

# 创建SVC对象并拟合数据
clf = svm.SVC(kernel='linear', C=1).fit(X, y)

# 画出决策边界
plt.scatter(X[:, 0], X[:, 1], c=y, s=30, cmap=plt.cm.Paired)
# 画出决策边界
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()

# 创建网格来评估模型
xx = np.linspace(xlim[0], xlim[1], 30)
yy = np.linspace(ylim[0], ylim[1], 30)
YY, XX = np.meshgrid(yy, xx)
xy = np.vstack([XX.ravel(), YY.ravel()]).T
Z = clf.decision_function(xy).reshape(XX.shape)

# 画出决策边界和边界间的距离
ax.contour(XX, YY, Z, colors='k', levels=[-1, 0, 1], alpha=0.5,
           linestyles=['--', '-', '--'])
# 画出支持向量
ax.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], s=100,
           linewidth=1, facecolors='none', edgecolors='k')
plt.show()

这段代码会生成一个散点图和一个决策边界，其中红色和蓝色分别代表两个类别，黑色的直线是决策边界。支持向量用黑色圆圈表示。你可以根据自己的数据进行调整。