svm支持向量机结果可视化python

支持向量机（Support Vector Machine, SVM）是一种常用的监督学习算法，主要用于分类和回归分析。SVM的目标是找到一个最佳的超平面，将不同类别的数据点分开。在Python中，我们可以使用多种库来实现SVM并进行结果可视化，如scikit-learn和matplotlib。
以下是一个使用scikit-learn和matplotlib进行SVM结果可视化的示例代码：
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm
from sklearn.datasets import make_blobs

# 生成示例数据
X, y = make_blobs(n_samples=100, centers=2, random_state=6)

# 创建SVM分类器
clf = svm.SVC(kernel='linear', C=1.0)
clf.fit(X, y)

# 绘制决策边界
plt.scatter(X[:, 0], X[:, 1], c=y, s=30, cmap=plt.cm.Paired)

# 创建网格
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()

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.xlabel('Feature 1')
plt.ylabel('Feature 2')
plt.title('SVM Decision Boundary')
plt.show()
登录后复制
这段代码首先生成了一些示例数据，然后创建了一个线性核的SVM分类器，并使用训练数据对其进行训练。接下来，代码绘制了数据点的散点图，并使用等高线图展示了SVM的决策边界和边界。