python LinearSVC代码实现三分类并做plt图

以下是一个简单的示例代码，使用LinearSVC模型实现三分类，并将决策边界可视化：

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

# 生成随机数据
np.random.seed(0)
n_samples = 100
X = np.random.randn(n_samples, 2)
y = np.array(["class1"] * 40 + ["class2"] * 30 + ["class3"] * 30)

# 训练模型
clf = LinearSVC(max_iter=10000)
clf.fit(X, y)

# 绘制决策边界
plt.figure()
plt.scatter(X[:, 0], X[:, 1], c=y)
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()
xx, yy = np.meshgrid(np.linspace(*xlim, num=200), np.linspace(*ylim, num=200))
Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, alpha=0.5)
plt.xlim(xlim)
plt.ylim(ylim)
plt.show()

在上述代码中，首先生成了一个随机的二维数据集X和标签y，其中有三种类别。接着使用LinearSVC模型进行训练，并使用plt.scatter函数将数据点可视化。

最后，使用np.meshgrid函数生成一个网格状的坐标系，预测每个点的标签，并将得到的结果可视化为决策边界。其中，plt.contourf函数用于绘制等高线图，并使用alpha参数设置透明度。plt.xlim和plt.ylim函数用于设置坐标轴的范围。最终使用plt.show函数将图像显示出来。