python实现支持向量机

要在Python中实现支持向量机，你可以使用scikit-learn库提供的svm模块。首先，你需要导入必要的库，包括numpy、matplotlib.pyplot、sklearn.svm和sklearn.datasets。然后，你可以使用make_blobs函数生成一些随机的二维数据作为训练集，该函数可以创建几个聚类的样本数据。接下来，你可以创建一个支持向量机模型，使用svm.SVC类，并选择合适的核函数（例如多项式核）和参数（例如正则化参数C）。最后，你可以使用模型的fit方法拟合数据。以下是一个简单的示例代码：

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

# 生成一些随机的二维数据
a, b = make_blobs(n_samples=100, centers=2, random_state=0, cluster_std=0.6)

# 创建一个多项式内核的支持向量机模型
clf = svm.SVC(kernel='poly', C=1000)
clf.fit(a, b)

# 绘制数据点和决策边界
plt.scatter(a[:, 0], a[:, 1], c=b, s=30, cmap=plt.cm.Paired)
axis = plt.gca()
xlim = axis.get_xlim()
ylim = axis.get_ylim()
xx = np.linspace(xlim[0], xlim[1], 30)
yy = np.linspace(ylim[0], ylim[1], 30)
X, Y = np.meshgrid(xx, yy)
xy = np.vstack([X.ravel(), Y.ravel()]).T
Z = clf.decision_function(xy).reshape(X.shape)
axis.contour(X, Y, Z, colors='k', levels=[-1, 0, 1], alpha=0.5, linestyles=['--', '-', '--'])
axis.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], s=100, linewidths=1, facecolors='none')
plt.show()