svm二分类python可视化

要在Python中可视化SVM二分类，可以使用Scikit-learn库中的SVC类和Matplotlib库来实现。下面是一个示例代码来实现这个过程：

首先，确保你已经导入所需的库，包括sklearn.svm.SVC、matplotlib.pyplot和numpy。然后，你需要准备你的数据集。在这个例子中，我们使用的是月亮数据集，可以使用make_moons函数从sklearn.datasets中生成。

接下来，你可以使用Pipeline类和StandardScaler来进行数据预处理和特征缩放。然后，创建一个SVC对象，并使用rbf核函数来实例化它。设置好超参数gamma和C的值。

然后，使用fit方法拟合SVC模型，并将其添加到svm_clfs列表中。

最后，使用matplotlib.pyplot的subplot和plot方法来绘制图形。在每个子图中，使用plot_predictions函数绘制决策边界和数据点，使用plot_dataset函数绘制数据集。为每个子图设置标题，显示超参数的值。

以下是示例代码：

import matplotlib.pyplot as plt
from sklearn.pipeline import Pipeline
import numpy as np
import matplotlib as mpl
from sklearn.datasets import make_moons
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

# 为了显示中文
mpl.rcParams['font.sans-serif'] = [u'SimHei']
mpl.rcParams['axes.unicode_minus'] = False

X, y = make_moons(n_samples=100, noise=0.15, random_state=42)

def plot_dataset(X, y, axes):
    plt.plot(X[:, 0][y==0], X[:, 1][y==0], "bs")
    plt.plot(X[:, 0][y==1], X[:, 1][y==1], "g^")
    plt.axis(axes)
    plt.grid(True, which='both')
    plt.xlabel(r"$x_1$", fontsize=20)
    plt.ylabel(r"$x_2$", fontsize=20, rotation=0)
    plt.title("月亮数据",fontsize=20)

hyperparams = ((gamma1, C1), (gamma1, C2))
svm_clfs = []

for gamma, C in hyperparams:
    rbf_kernel_svm_clf = Pipeline([
        ("scaler", StandardScaler()),
        ("svm_clf", SVC(kernel="rbf", gamma=gamma, C=C))
    ])
    rbf_kernel_svm_clf.fit(X, y)
    svm_clfs.append(rbf_kernel_svm_clf)

plt.figure(figsize=(11, 7))

for i, svm_clf in enumerate(svm_clfs):
    plt.subplot(221 + i)
    plot_predictions(svm_clf, [-1.5, 2.5, -1, 1.5])
    plot_dataset(X, y, [-1.5, 2.5, -1, 1.5])
    gamma, C = hyperparams[i]
    plt.title(r"$\gamma = {}, C = {}$".format(gamma, C), fontsize=16)

plt.tight_layout()
plt.show()

这段代码将生成一个包含四个子图的图形，每个子图显示了不同超参数设置下的SVM二分类器的决策边界和数据点分布。