支持向量机python的代码

支持向量机（Support Vector Machine，SVM）是一种常用的机器学习算法，用于分类和回归问题。在Python中，可以使用scikit-learn库来实现支持向量机算法。

下面是一个简单的支持向量机分类器的Python代码示例：

# 导入所需的库
from sklearn import svm
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

# 创建一个示例数据集
X, y = make_blobs(n_samples=100, centers=2, random_state=0, cluster_std=0.6)

# 创建支持向量机分类器对象
clf = svm.SVC(kernel='linear')

# 训练模型
clf.fit(X, y)

# 绘制决策边界和支持向量
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()

# 创建网格来评估模型
xx = np.linspace(xlim, xlim, 30)
yy = np.linspace(ylim, ylim, 30)
YY, XX = np.meshgrid(yy, xx)
xy = np.vstack([XX.ravel(), YY.ravel()]).T
Z = clf.decision_function(xy).reshape(XX.shape)

# 绘制决策边界和支持向量
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()

这段代码使用了scikit-learn库中的SVC类来创建一个支持向量机分类器对象。然后，通过调用fit方法来训练模型，并使用scatter和contour函数来绘制决策边界和支持向量。