支持向量机附python代码二分类

### 回答1：
支持向量机（Support Vector Machine，SVM）是一种常用于二分类问题的机器学习算法。该算法的目标是找到一个最优的超平面，将不同类别的样本分隔开来，并且使得两侧距离最近的样本点到超平面的距离最大化。

以下是使用Python编写的支持向量机的二分类代码示例：

# 导入所需的库
from sklearn import svm
import numpy as np

# 创建训练样本
X_train = np.array([[1, 2], [2, 3], [3, 3], [2, 1], [3, 2]])  # 自变量
y_train = np.array([1, 1, 1, 0, 0])  # 因变量

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

# 训练模型
model.fit(X_train, y_train)

# 创建测试样本
X_test = np.array([[1, 1], [2, 2], [3, 1], [1, 3], [3, 3]])

# 预测测试样本的分类
y_pred = model.predict(X_test)

# 打印预测结果
print("测试样本的预测分类：", y_pred)

以上代码中，首先我们导入所需的库，包括`svm`模块用于支持向量机算法，以及`numpy`用于创建数组。

接下来，我们创建训练样本`X_train`和对应的标签`y_train`。样本X_train包括五个二维数据点，分别为(1, 2)、(2, 3)、(3, 3)、(2, 1)、(3, 2)；标签y_train表示这些样本点分别属于类别1和类别0。

然后，我们创建支持向量机模型对象并指定使用线性核函数。线性核函数用于处理线性可分的情况。

接下来，我们利用训练样本和标签训练模型，即调用`fit`方法。

然后，我们创建了测试样本`X_test`，包括五个二维数据点。

最后，我们调用`predict`方法对测试样本进行分类预测，并将预测结果打印出来。

运行以上代码，即可得到测试样本的预测分类结果。

### 回答2：
支持向量机(Support Vector Machine, SVM)是一种常用的机器学习算法，可用于二分类问题。它的目标是找到一个最优超平面，将不同类别的样本点分开，同时最大化边界距离。

下面是一个使用Python实现二分类支持向量机的示例代码：

# 导入所需的库
from sklearn import svm
import numpy as np

# 创建训练数据集
X = np.array([[0, 0], [1, 1], [2, 2]])
y = np.array([0, 1, 1])

# 创建SVM分类器对象
clf = svm.SVC(kernel='linear')

# 使用训练数据集训练SVM模型
clf.fit(X, y)

# 创建测试数据集
test_data = np.array([[3, 3], [4, 4]])

# 使用训练完成的SVM模型进行预测
predicted = clf.predict(test_data)

# 打印预测结果
print(predicted)

在上面的代码中，首先导入了所需的库。然后，创建了一个简单的训练数据集X和对应的标签y。接着，创建了一个SVM分类器对象clf，并指定了线性核函数。然后，使用fit函数对训练数据集进行训练。最后，创建了一个测试数据集test_data，并使用训练完成的模型进行预测。最后，打印了预测结果。

这是一个简单的二分类支持向量机示例，可以根据实际需求进行修改和扩展。