支持向量机python代码

以下是一个简单的支持向量机的Python代码示例：

from sklearn import svm
import numpy as np

# 训练数据
X_train = np.array([[0, 0], [1, 1]])
y_train = np.array([0, 1])

# 创建一个支持向量机分类器
clf = svm.SVC(kernel='linear')

# 训练分类器
clf.fit(X_train, y_train)

# 预测
print(clf.predict([[2., 2.]]))

在这个例子中，我们使用了`SVC`类来创建一个线性支持向量机分类器，并使用`fit`方法来训练分类器。最后，我们使用`predict`方法来预测一个新的样本的类别。

相关问题

支持向量机 python代码

支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，用于分类和回归问题。在Python中，可以使用scikit-learn库来实现支持向量机算法。

下面是一个简单的支持向量机分类器的Python代码示例：

# 导入所需的库
from sklearn import svm
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

# 创建一个示例数据集
X, y = make_blobs(n_samples=100, centers=2, random_state=0, cluster_std=0.60)

# 创建支持向量机分类器对象
clf = svm.SVC(kernel='linear')

# 训练模型
clf.fit(X, y)

# 绘制决策边界和支持向量
plt.scatter(X[:, 0], X[:, 1], c=y, s=30, cmap=plt.cm.Paired)
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)

# 绘制决策边界和支持向量
ax.contour(XX, YY, Z, colors='k', levels=[-1, 0, 1], alpha=0.5,
           linestyles=['--', '-', '--'])
ax.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], s=100,
           linewidth=1, facecolors='none', edgecolors='k')
plt.show()

这段代码使用了`make_blobs`函数生成了一个示例数据集，然后创建了一个线性核的支持向量机分类器对象`clf`，并使用`fit`方法对模型进行训练。最后，通过绘制决策边界和支持向量的方式可视化了分类结果。

支持向量机Python代码

以下是使用Python实现支持向量机(SVM)算法的示例代码：

from sklearn import svm
import numpy as np

# 创建训练数据
X = np.array([[0, 0], [1, 1]])
y = np.array([0, 1])

# 创建SVM分类器
clf = svm.SVC()

# 训练模型
clf.fit(X, y)

# 预测新样本
new_samples = np.array([[2, 2], [-1, -1]])
predicted = clf.predict(new_samples)

# 打印预测结果
print(predicted)  # 输出：[1 0]

这段代码演示了如何使用Python的scikit-learn库实现支持向量机算法。首先，我们创建了一个包含两个样本的训练数据集X和对应的标签y。然后，我们使用svm.SVC()函数创建了一个SVM分类器对象clf。接下来，我们使用fit()函数对分类器进行训练。最后，我们使用predict()函数对新样本进行预测，并打印出预测结果。