支持向量机，英文全称为support vecto machines，简称svm。它是一种非常优秀的分类模型，特别在小样本、非线性以及高维模式识别中有很好的表现。svm是由vapnik团队在1992年提出，最初被用来解决二分类问题，后来逐渐发展成为可以处理多分类问题的算法。
Python是一种简洁而强大的编程语言，它实现了众多机器学习算法的包，其中包括SVM。本文将介绍通过Python实现支持向量机算法的步骤。
一、准备数据
我们来构造一组简单的训练数据。创建一个示例数据集，其中x1表示身高，x2表示体重，y为类别标签（0或1）。
import numpy as np
import matplotlib.pyplot as plt
np.random.seed(7)
X_train = np.array([[167, 75], [182, 80], [176, 85], [156, 50], [173, 70], [183, 90], [178, 75], [156, 45],
[162, 55], [163, 50], [159, 45], [180, 85]])
y_train = np.array([0, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1])
plt.scatter(X_train[y_train == 0][:, 0], X_train[y_train == 0][:, 1], c='r', s=40, label='Male')
plt.scatter(X_train[y_train == 1][:, 0], X_train[y_train == 1][:, 1], c='b', s=40, label='Female')
plt.legend()
plt.xlabel('Height')
plt.ylabel('Weight')
plt.show()在这个数据集中，我们将人群分类为男性或女性。
立即学习“Python免费学习笔记（深入）”；
二、选择分类器
接下来，我们要选择适用于这个问题的分类器，即SVM。SVM有许多变种，但是在这里，我们使用的是线性SVM。
我们来构造一个SVM模型：
from sklearn.svm import SVC svm = SVC(kernel='linear') svm.fit(X_train, y_train)
在这里，我们使用的是SVC类，指定kernel参数为linear，表明我们使用线性核。
Huawei LiteOS是华为面向物联网领域开发的一个基于实时内核的轻量级操作系统。本项目属于华为物联网操作系统Huawei LiteOS源码，现有基础内核支持任务管理、内存管理、时间管理、通信机制、中断管理、队列管理、事件管理、定时器等操作系统基础组件，更好地支持低功耗场景，支持tickless机制，支持定时器对齐。 同时提供端云协同能力，集成了LwM2M、CoAP、mbedtls、LwIP全
三、绘制决策边界
我们想要知道模型的性能如何，因此我们可以在绘制出分类器的决策边界：
def plot_decision_boundary(model, ax=None):
if ax is None:
ax = plt.gca()
x_min, x_max = ax.get_xlim()
y_min, y_max = ax.get_ylim()
xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100),
np.linspace(y_min, y_max, 100))
Z = model.predict(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)
ax.contourf(xx, yy, Z, alpha=0.2)
ax.contour(xx, yy, Z, colors='black', linewidths=0.5)
ax.set_xlim([x_min, x_max])
ax.set_ylim([y_min, y_max])
plt.scatter(X_train[y_train == 0][:, 0], X_train[y_train == 0][:, 1], c='r', s=40, label='Male')
plt.scatter(X_train[y_train == 1][:, 0], X_train[y_train == 1][:, 1], c='b', s=40, label='Female')
plot_decision_boundary(svm)
plt.legend()
plt.xlabel('Height')
plt.ylabel('Weight')
plt.show()运行结束后，可以看到绘制出了分类器的决策边界。
四、预测新数据
我们可以用训练好的模型对新的数据进行预测。
X_test = np.array([[166, 70], [185, 90], [170, 75]]) y_test = svm.predict(X_test) print(y_test)
在这里，我们使用predict函数对三个新数据样本进行预测。它将返回它们的类别。
结论
在这篇文章中，我们介绍了如何使用Python中的支持向量机算法。我们通过创建一个简单的训练数据集，并使用线性SVM构建了一个分类器。我们还绘制了分类器的决策边界，并使用模型来预测了新的数据样本。SVM在许多场合也是非常受欢迎的算法，可以在很多领域获得好的表现。如果你想在处理数据时，掌握更多机器学习的算法，那么SVM也是非常值得学习的。
