1. 试使用 LIBSVM，在西瓜数据集 3.0上分别用线性核和高斯核训练一个 SVM，并比较其支持向量的差别。 2. 以西瓜数据集 3.0的“密度”为输入，“含糖率”为输出，试使用 LIBSVM 训练一个 SVR。

LIBSVM是一个流行的开源机器学习库，特别是在支持向量机（SVM）算法方面。为了演示如何在西瓜数据集3.0上使用LIBSVM分别训练线性核和高斯核的支持向量机，并比较它们支持向量的差异，我们将采取以下步骤：

1. 首先，你需要下载西瓜数据集3.0，通常它包含了特征矩阵（如"密度"）和目标变量（如"含糖率"）。你可以使用Python的sklearn库加载数据，并将其分为训练集和测试集。

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC

# 加载西瓜数据集
西瓜_data = datasets.load_wine()
X_train, X_test, y_train, y_test = train_test_split(西瓜_data.data,西瓜_data.target, test_size=0.2)

# 线性核 SVM
linear_svm = SVC(kernel='linear')
linear_svm.fit(X_train, y_train)
linear_support_vectors = linear_svm.support_vectors_

# 高斯核 SVM (假设核宽度 gamma 设为1)
rbf_svm = SVC(kernel='rbf', gamma=1)
rbf_svm.fit(X_train, y_train)
rbf_support_vectors = rbf_svm.support_vectors_

# 比较支持向量
print("Linear SVM support vectors:", len(linear_support_vectors))
print("RBF SVM support vectors:", len(rbf_support_vectors))

# 分别查看每个模型的决策边界和支持向量分布可能会有所不同

对于SVR（支持向量回归），你需要将上述代码稍作修改，以便处理连续型输出（比如"含糖率"）。这里同样需要将数据拆分成输入（密度）和输出（含糖率），并设置适当的参数，例如`kernel='rbf'`和`gamma`值。

from sklearn.svm import SVR

# 使用 SVR 对 "密度" 和 "含糖率" 进行拟合
svr = SVR(kernel='rbf', gamma=1)
svr.fit(X_train[:, 0].reshape(-1, 1), y_train)

# 可能需要提取回归系数或预测结果来进一步分析