svm图像二分类实例代码

以下是一个简单的 SVM 图像二分类实例代码，使用 scikit-learn 库：

import matplotlib.pyplot as plt
import numpy as np
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split

# 加载数据集
iris = datasets.load_iris()
X = iris.data[:, :2]
y = iris.target

# 将类别 0 和 1 的样本选出来作为二分类任务的数据集
X = X[y != 2]
y = y[y != 2]

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

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

# 训练模型
clf.fit(X_train, y_train)

# 绘制决策边界
w = clf.coef_[0]
a = -w[0] / w[1]
xx = np.linspace(4, 7)
yy = a * xx - (clf.intercept_[0]) / w[1]

# 绘制训练集和测试集样本点
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap=plt.cm.Paired)
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test, cmap=plt.cm.Paired, marker='x')

# 绘制决策边界
plt.plot(xx, yy, 'k-')

plt.title('SVM Binary Classification')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

该代码使用鸢尾花数据集中的前两个特征，将类别为 0 和 1 的样本选出来作为二分类任务的数据集。然后将数据集分为训练集和测试集，定义 SVM 模型并训练模型。最后绘制出训练集、测试集和决策边界的图像。