申明：本次撰写以Datawhale团队提供的学习材料以自学为主，代码为Datawhale团队提供，利用阿里云天池实验室与编辑器pycharm实现测试。 反对向量机（Support Vector Machine，SVM）是一个十分优雅的算法，具备十分欠缺的数学实践，罕用于数据分类，也能够用于数据的回归预测中，因为其柔美的实践保障和利用核函数对于线性不可分问题的解决技巧， 在上世纪90年代左右，SVM曾红极一时。 本文将不波及十分严格和简单的理论知识，力求于通过直觉来感触 SVM。 Demo实际
Step1:库函数导入 Step2:构建数据集并进行模型训练 Step3:模型参数查看 Step4:模型预测 Step5:模型可视化学习指标*理解反对向量机的分类规范;*理解反对向量机的软距离分类;*理解反对向量机的非线性核函数分类;能够对照之前的逻辑回归模型的决策边界，咱们能够发现两个决策边界是有肯定差别的（能够比照两者在X,Y轴 上的截距），这阐明这两个不同在雷同数据集上找到的判断线是不同的，而这不同的起因其实是因为两者抉择的 最优指标是不统一的。接下来咱们进行SVM的一些简略介绍。
反对向量机的介绍咱们经常会碰到这样的一个问题，首先给你一些分属于两个类别的数据
当初须要一个线性分类器，将这些数据离开来。 咱们可能会有多种分法：那么当初有一个问题，两个分类器，哪一个更好呢？ 为了判断好坏，咱们须要引入一个准则：好的分类器不仅仅是可能很好的离开已有的数据集，还能对未知数据集 进行两个的划分。 假如，当初有一个属于红色数据点的新数据（3， 2.8）
能够看到，此时彩色的线会把这个新的数据集分错，而蓝色的线不会。 咱们刚刚举的例子可能会带有一些主观性。 那么如何主观的评判两条线的健壮性呢？ 此时，咱们须要引入一个十分重要的概念：最大距离。 最大距离刻画着以后分类器与数据集的边界，以这两个分类器为例：能够看到， 蓝色的线最大距离是大于彩色的线的。 所以咱们会抉择蓝色的线作为咱们的分类器。那么，咱们当初的分类器是最优分类器吗？ 或者说，有没有更好的分类器，它具备更大的距离？ 答案是有的。 总体代码：
import numpy as npimport matplotlib.pyplot as pltfrom sklearn.datasets import make_blobs#matplotlib inline# 画图X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)plt.scatter(X[:, 0], X[:, 1], c=y, s=60, cmap=plt.cm.Paired)# 画散点图X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=plt.cm.Paired)x_fit = np.linspace(0, 3)# 画函数y_1 = 1 * x_fit + 0.8plt.plot(x_fit, y_1, '-c')y_2 = -0.3 * x_fit + 3plt.plot(x_fit, y_2, '-k')# 画散点图X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=plt.cm.Paired)plt.scatter([3], [2.8], c='#cccc00', marker='<', s=100, cmap=plt.cm.Paired)x_fit = np.linspace(0, 3)# 画函数y_1 = 1 * x_fit + 0.8plt.plot(x_fit, y_1, '-c')y_2 = -0.3 * x_fit + 3plt.plot(x_fit, y_2, '-k')# 画散点图X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=plt.cm.Paired)x_fit = np.linspace(0, 3)# 画函数y_1 = 1 * x_fit + 0.8plt.plot(x_fit, y_1, '-c')# 画边距plt.fill_between(x_fit, y_1 - 0.6, y_1 + 0.6, edgecolor='none', color='#AAAAAA', alpha=0.4)y_2 = -0.3 * x_fit + 3plt.plot(x_fit, y_2, '-k')plt.fill_between(x_fit, y_2 - 0.4, y_2 + 0.4, edgecolor='none', color='#AAAAAA', alpha=0.4)# 画散点图X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=plt.cm.Paired)# 画图y_1 = 1 * x_fit + 0.8plt.plot(x_fit, y_1, '-c')# 画边距plt.fill_between(x_fit, y_1 - 0.6, y_1 + 0.6, edgecolor='none', color='#AAAAAA', alpha=0.4)from sklearn.svm import SVC# SVM 函数clf = SVC(kernel='linear')clf.fit(X, y)# 最佳函数w = clf.coef_[0]a = -w[0] / w[1]y_3 = a*x_fit - (clf.intercept_[0]) / w[1]# 最大边距 下届b_down = clf.support_vectors_[0]y_down = a* x_fit + b_down[1] - a * b_down[0]# 最大边距 上届b_up = clf.support_vectors_[-1]y_up = a* x_fit + b_up[1] - a * b_up[0]# 画散点图X, y = make_blobs(n_samples=60, centers=2, random_state=0, cluster_std=0.4)plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap=plt.cm.Paired)# 画函数plt.plot(x_fit, y_3, '-c')# 画边距plt.fill_between(x_fit, y_down, y_up, edgecolor='none', color='#AAAAAA', alpha=0.4)# 画反对向量plt.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], edgecolor='b', s=80, facecolors='none')为了找出最优分类器，咱们须要引入咱们明天的配角：SVM带黑边的点是间隔以后分类器最近的点，咱们称之为反对向量。 反对向量机为咱们提供了在泛滥可能的分类器之间进行抉择的准则，从而确保对未知数据集具备更高的泛化性。
...