svm算法Python

### 如何在Python中实现支持向量机(SVM)算法

#### 使用Scikit-Learn库快速构建SVM模型

为了简化开发过程，通常会利用成熟的第三方库来实现和支持向量机的功能。Scikit-learn是一个非常流行的选择之一，在其中提供了多种类型的SVM实现方式。

安装scikit-learn可以通过pip命令完成：

pip install scikit-learn

下面给出一段简单的代码片段用来说明如何基于scikit-learn创建一个基本的支持向量分类器，并应用它来进行二元分类任务[^1]。

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
import numpy as np

# 加载Iris数据集作为示例
iris = datasets.load_iris()
X = iris.data[:, [2, 3]]  # 只取两个特征方便可视化
y = iris.target

# 将标签转换成二分类问题 (只保留前两类)
X = X[y<2]
y = y[y<2]

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=1)

# 数据标准化处理
scaler = StandardScaler().fit(X_train)
X_train_std = scaler.transform(X_train)
X_test_std = scaler.transform(X_test)

# 创建SVC实例，默认采用RBF核函数
svm = SVC(kernel='rbf', C=1.0, gamma=0.1, random_state=1)

# 训练模型
svm.fit(X_train_std, y_train)

# 预测新样本类别
predicted_label = svm.predict([[5.7, 2.8]])
print(f'Predicted class label: {predicted_label}')

这段程序展示了从加载数据、预处理直至最终做出预测的整体流程。值得注意的是这里选择了`kernel='rbf'`参数配置了径向基函数(RBF)，这是一种常用的非线性映射方法；而正则化系数C以及gamma则是影响决策边界的超参，可以根据具体应用场景调整优化[^2]。

对于更复杂的回归分析需求，则可以考虑使用`SVR`类替代上述中的`SVC`，其接口设计几乎相同只是目标不同而已。例如当面对连续型变量估计时可参照如下做法[^3]:

from sklearn.svm import SVR
svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1)
svr_lin = SVR(kernel='linear', C=1e3)
svr_poly = SVR(kernel='poly', C=1e3, degree=2)
...