支持向量机模型怎么用

支持向量机是一种二分类模型，可以用于分类和回归问题。在分类问题中，支持向量机的目标是找到一个超平面，将不同类别的数据分开。在回归问题中，支持向量机的目标是找到一个超平面，使得数据点到该超平面的距离最小。支持向量机模型的使用步骤如下：
1. 收集数据集并进行预处理，包括特征选择、特征缩放等。
2. 将数据集分为训练集和测试集。
3. 选择合适的核函数和超参数，构建支持向量机模型。
4. 使用训练集训练模型，并使用测试集评估模型的性能。
5. 根据模型的性能进行调整，如调整超参数、选择不同的核函数等。
6. 使用训练好的模型进行预测。

下面是一个使用支持向量机模型进行分类的例子：

from sklearn import svm
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

# 生成数据集
X, y = make_blobs(n_samples=100, centers=2, random_state=6)

# 构建支持向量机模型
clf = svm.SVC(kernel='linear', C=1000)

# 训练模型
clf.fit(X, y)

# 绘制决策边界
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()
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)
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()