支持向量机python代码

以下是一个简单的支持向量机（SVM）的Python代码示例：

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

# 生成一些随机数据
X, y = make_blobs(n_samples=50, centers=2, random_state=6)

# 创建一个SVM分类器
clf = svm.SVC(kernel='linear', C=1000)

# 拟合数据
clf.fit(X, y)

# 绘制数据和决策边界
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()

# 创建网格来评估模型
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)

# 绘制决策边界和间隔
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()

该代码使用`make_blobs`函数生成了一些随机的二分类数据，并使用`svm.SVC`创建了一个线性SVM分类器。然后，使用`fit`方法拟合数据，并使用`decision_function`方法生成网格来评估模型。最后，使用`contour`和`scatter`函数绘制了决策边界和支持向量。