svm支持向量机python实例及代码

以下是一个简单的 SVM 支持向量机的 Python 代码示例：

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

# 创建一个样本集，共100个样本，2个特征，分为2类
X, y = make_blobs(n_samples=100, n_features=2, centers=2, random_state=6)

# 使用线性 SVM 模型
clf = svm.SVC(kernel='linear', C=1000)
clf.fit(X, y)

# 绘制样本点和决策边界
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()

# 创建一个网格来绘制决策边界
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边界
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()

这个示例使用 Scikit-learn 库中的 SVM 实现，创建了一个样本集，使用线性 SVM 模型进行训练，然后绘制出决策边界和间隔边界。注意，这个示例只是一个简单的 SVM 实现，实际应用中需要根据具体问题选择合适的参数和核函数等。