python svm 二分类

SVM（支持向量机）是一种二分类模型，它将实例的特征向量映射为空间中的一些点。SVM的目标是通过划定一条线来最好地区分这两类点，从而实现对新的点进行分类。在Python中，可以使用sklearn包来实现SVM的二分类功能。

下面是一个基于sklearn包的示例代码，演示了如何使用SVM算法进行二分类并绘制分类结果的图形：

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

# 准备训练样本
x = [[1, 8], [3, 20], [1, 15], [3, 35], [5, 35], [4, 40], [7, 80], [6, 49]]
y = [1, 1, -1, -1, 1, -1, -1, 1]

# 开始训练
clf = svm.SVC()  # 默认参数：kernel='rbf'
clf.fit(x, y)

# 根据训练出的模型绘制样本点
for i in x:
    res = clf.predict(np.array(i).reshape(1, -1))
    if res > 0:
        plt.scatter(i[0], i[1], c='r', marker='*')
    else:
        plt.scatter(i[0], i[1], c='g', marker='*')

# 生成随机实验数据
rdm_arr = np.random.randint(1, 15, size=(15, 2))

# 绘制实验数据点
for i in rdm_arr:
    res = clf.predict(np.array(i).reshape(1, -1))
    if res > 0:
        plt.scatter(i[0], i[1], c='r', marker='.')
    else:
        plt.scatter(i[0], i[1], c='g', marker='.')

# 显示绘图结果
plt.show()

以上代码中，我们使用了SVM的默认参数（核函数为径向基函数rbf），根据训练出的模型绘制了样本点和随机实验数据点的分类结果图形。