python实现支持向量机二分类

以下是使用Python实现支持向量机进行二分类的示例：

# 导入所需的库
from sklearn.svm import SVC
import numpy as np
import matplotlib.pyplot as plt

# 创建示例数据集
X = np.array([[1, 2], [2, 3], [3, 1], [6, 5], [7, 7], [8, 6]])
y = np.array([0, 0, 0, 1, 1, 1])

# 创建支持向量机模型
svm = SVC(kernel='linear')

# 拟合模型
svm.fit(X, y)

# 绘制决策边界和支持向量
plt.scatter(X[:, 0], X[:, 1], c=y, cmap='bwr')
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()

# 创建网格以绘制决策边界
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 = svm.decision_function(xy).reshape(XX.shape)

# 绘制决策边界和支持向量
ax.contour(XX, YY, Z, colors='k', levels=[-1, 0, 1], alpha=0.5,
           linestyles=['--', '-', '--'])
ax.scatter(svm.support_vectors_[:, 0], svm.support_vectors_[:, 1], s=100,
           linewidth=1, facecolors='none', edgecolors='k')
plt.show()

这段代码使用了`sklearn`库中的`SVC`类来创建支持向量机模型，并使用线性核函数进行分类。然后，使用示例数据集进行模型拟合，并绘制出决策边界和支持向量。