sklearn svm

Scikit-learn (sklearn)中的SVM（Support Vector Machine）是一种监督学习算法，用于二元分类和多元分类问题以及回归问题。

SVM的主要思想是找到一个最优的超平面（或者说决策边界），将不同类别的样本分开。超平面的选择是通过最大化间隔（Margin）来实现的。间隔是指超平面到支持向量（离超平面最近的点）的距离。因此，SVM也被称为最大间隔分类器。

在sklearn中，可以使用SVC（Support Vector Classifier）类实现SVM。通过设置不同的参数，可以进行不同类型的分类和回归，例如线性SVM、多项式SVM和径向基函数（RBF）SVM等。

以下是一个简单的示例代码，展示如何在sklearn中使用SVM进行二元分类：

from sklearn import svm
from sklearn.datasets import make_blobs

# 生成随机数据
X, y = make_blobs(n_samples=100, centers=2, random_state=0)

# 创建SVM模型
clf = svm.SVC(kernel='linear', C=1)

# 训练模型
clf.fit(X, y)

# 预测新数据
new_data = [[0.5, 0.5], [-1, -1]]
print(clf.predict(new_data))

在上面的代码中，我们使用`make_blobs`函数生成了100个随机数据点，分为两个类别。然后，创建了一个线性SVM模型，并使用`fit`方法对模型进行训练。最后，使用`predict`方法对新数据进行分类预测，并输出预测结果。