from sklearn import svm import numpy as np from matplotlib import pyplot as plt data = np.concatenate(np.random.randn(30,2)-[-2,2],np.random.randn(30,2)+[-2,2]) target = [0] * 30 + [1] * 30 clf = svm.SVC(kernel='linear') clf.fit(data, target) w = clf.coef_[0] a = -w[0] /w[1] print("参数w:", w) print("参数a:", a) print("支持向量:", clf.support_vectors_) print("参数 coef_:", clef.coef_) xx =np.linspace(-5,5) yy = a * xx - (clf.intercept_[0] / w[1]) b= clf.support_vectors_[0] yy_Pos =a * xx+(b[1] -a * b[0]) b= clf.support_vectors_[-1] yy_Pos = a* xx+(b[1] - a * b[0]) plt.plot(xx, yy, 'r-') plt.plot(xx, yy_Neg, 'k--') plt.plot(xx, yy_Pos, 'k--') plt.scatter(clf.support_vectors_[:,0], clf.support_vectors_[:, 1]) plt.scatter(data[:, 0], data[:, 1], c=target, cmap=plt.cm.coolwarm) plt.xlabel("X") plt.ylabel("Y") plt.title("Support Vector Classification") plt.show()

这是一个简单的使用 SVM 进行二分类的例子。代码中使用了 sklearn 库中的 svm 模块，生成了一些随机的二维数据，并将其分为两个类别。然后使用 svm.SVC() 创建了一个 SVM 分类器，并使用 fit() 方法对数据进行训练。接下来，通过获取 clf.coef_ 属性得到分类器的权重系数，进而计算出直线的斜率 a。然后，通过获取 clf.intercept_ 和 clf.support_vectors_ 等属性，计算出分割两类的直线的截距和支持向量，并将其绘制在图像上。

需要注意的是，代码中的 yy_Pos 计算可能有误，应该是 yy_Neg。正确的写法应该是：

yy_Neg = a * xx - (clf.intercept_[0] / w[1]) - (b[1] - a * b[0]) / w[1]
b = clf.support_vectors_[-1]
yy_Pos = a * xx - (clf.intercept_[0] / w[1]) - (b[1] - a * b[0]) / w[1]