SVM二分类结果画图

要画出SVM的二分类结果，我们可以使用Python中的matplotlib库。下面是一个简单的例子：

首先，我们需要生成一些数据来进行分类。这里我们使用make_blobs函数来生成随机的二维数据。

from sklearn.datasets import make_blobs

X, y = make_blobs(n_samples=100, centers=2, random_state=42)

接下来，我们可以使用SVM模型对数据进行分类。

from sklearn.svm import SVC

clf = SVC(kernel='linear')
clf.fit(X, y)

然后，我们可以定义一个函数来绘制数据和决策边界。

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

def plot_svc_decision_function(clf):
    """Plot the decision function for a 2D SVC"""
    x_min, x_max = plt.xlim()
    y_min, y_max = plt.ylim()
    xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100),
                         np.linspace(y_min, y_max, 100))
    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    plt.contourf(xx, yy, Z, alpha=0.2)
    plt.scatter(X[:, 0], X[:, 1], c=y, s=50)
    plt.xlabel('X1')
    plt.ylabel('X2')
    plt.title('SVM Decision Boundary')
    plt.show()

最后，我们可以调用这个函数来绘制SVM的决策边界。

plot_svc_decision_function(clf)

完整的代码如下：

from sklearn.datasets import make_blobs
from sklearn.svm import SVC
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline

X, y = make_blobs(n_samples=100, centers=2, random_state=42)

clf = SVC(kernel='linear')
clf.fit(X, y)

def plot_svc_decision_function(clf):
    """Plot the decision function for a 2D SVC"""
    x_min, x_max = plt.xlim()
    y_min, y_max = plt.ylim()
    xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100),
                         np.linspace(y_min, y_max, 100))
    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    plt.contourf(xx, yy, Z, alpha=0.2)
    plt.scatter(X[:, 0], X[:, 1], c=y, s=50)
    plt.xlabel('X1')
    plt.ylabel('X2')
    plt.title('SVM Decision Boundary')
    plt.show()

plot_svc_decision_function(clf)

这样，我们就可以看到SVM的二分类结果了。