线性支持向量机以及非线性支持向量机代码实现

下面是Python中使用Scikit-learn库实现线性支持向量机和非线性支持向量机的代码示例：

线性支持向量机：

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

# 构造数据集
X, y = make_blobs(n_samples=50, centers=2, random_state=6)

# 线性支持向量机分类器
clf = svm.SVC(kernel='linear', C=1000)
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')
plt.show()

非线性支持向量机：

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

# 构造数据集
X, y = make_circles(n_samples=100, noise=0.1, factor=0.4, random_state=6)

# 非线性支持向量机分类器
clf = svm.SVC(kernel='rbf', C=1000)
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')
plt.show()

以上代码中，make_blobs和make_circles是Scikit-learn中自带的数据集生成函数，用于生成模拟数据集。在实际应用中，可以将数据集替换为真实数据集。SVC函数是Scikit-learn中的支持向量机分类器函数，其中参数kernel可选为'linear'、'poly'、'rbf'等核函数，参数C是正则化参数。最后使用plt绘制决策边界和数据点。