最大间隔分离平面python 代码

可以使用sklearn库中的SVM（支持向量机）模型来实现最大间隔分离平面的python代码，具体实现步骤如下：

1. 导入需要的库

from sklearn import svm
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt

2. 生成随机数据

X, y = make_blobs(n_samples=50, centers=2, random_state=6)

3. 训练SVM模型

clf = svm.SVC(kernel='linear', C=1000)
clf.fit(X, y)

4. 可视化结果

plt.scatter(X[:, 0], X[:, 1], c=y, s=30, cmap=plt.cm.Paired)

# plot the decision function
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()

# create grid to evaluate model
xx = np.linspace(xlim[0], xlim[1], 30)
yy = np.linspace(ylim[0], ylim[1], 30)
YY, XX = np.meshgrid(yy, xx)
xy = np.vstack([XX.ravel(), YY.ravel()]).T
Z = clf.decision_function(xy).reshape(XX.shape)

# plot decision boundary and margins
ax.contour(XX, YY, Z, colors='k', levels=[-1, 0, 1], alpha=0.5,
           linestyles=['--', '-', '--'])
# plot support vectors
ax.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], s=100,
           linewidth=1, facecolors='none', edgecolors='k')

plt.show()

运行代码后，会得到一个图像，其中黄色和紫色的点表示两个类别的数据点，黑色的实线为最大间隔分离平面，黑色的虚线为支持向量，即距离最大间隔分离平面最近的数据点。

注意：上述代码中的C参数是SVM模型的正则化参数，如果C越大，模型的复杂度就越高，可以更好地拟合训练数据，但可能会导致过拟合。