硬间隔支持向量机的代码

硬间隔支持向量机是一种用于二分类问题的机器学习算法，它的目标是找到一个最优的超平面来将两个类别的样本分开。以下是一个简单的硬间隔支持向量机的代码示例：

import numpy as np
from sklearn.svm import SVC

# 创建训练数据集
X_train = np.array([[1, 2], [2, 3], [3, 3], [2, 1], [3, 2]])
y_train = np.array([1, 1, 1, -1, -1])

# 创建支持向量机模型
svm SVC(kernel='linear', C=float('inf'))

# 拟合模型
svm.fit(X_train, y_train)

# 打印模型参数
print("权重向量：", svm.coef_)
print("截距：", svm.intercept_)
print("支持向量：", svm.support_vectors_)

# 预测新样本
X_test = np.array([[4, 4], [1, 1]])
y_pred = svm.predict(X_test)
print("预测结果：", y_pred)

在这个示例中，我们使用了`numpy`库来创建训练数据集`X_train`和对应的标签`y_train`。然后，我们使用`sklearn.svm.SVC`类创建了一个支持向量机模型，并指定了线性核函数和一个非常大的惩罚参数C（表示不允许有任何误分类）。接下来，我们使用`fit`方法拟合模型，并打印出模型的权重向量、截距和支持向量。最后，我们使用训练好的模型对新样本进行预测，并打印出预测结果。