线性分类：
如果需要分类的数据都是线性可分离的，则直线f(x )=ax b是可以分离的。 该方法称为线性分类器，线性分类器的学习目标是在n维数据空间中找到超平面。 也就是说，数据不是总是二维的。 例如，三维超平面是面。 其实无数个超平面可以分割数据，但我们必须选择最佳的分割。
它有最大间隔分类器，简称MMH，将一个数据点进行分类，超平面距离数据点的“间隔”越大，分类的确信度也越大。 因此，为了尽量提高分类的确信度，需要使选择的超平面能够最大化该“间隔”的值。
核函数：当是非线性分类即线性不可分的时候，需要转换高纬度，核函数就是先在低维上进行计算，将实质上的分类效果反映在高维上，避免了直接在高维上进行的复杂计算。
几种常用核函数：
h度多项式核函数(Polynomial Kernel of Degree h ) ) )。
冷月光径向基和函数(gaussianradialbasisfunctionkernel ) ) ) ) ) )。
s形核函数(Sigmoid function Kernel ) )。
图像分类通常使用冷月光径向基和函数。 由于分类是平滑的，因此文本不适用于寒冷的月光径向基和函数。 没有标准的答案。 请尝试各种核函数，用精度进行判定。
python代码实现：
1 .模块部署
2 .利用正态分布获取数字
3 .获取超平面d(z )=wx b，w，斜率a
4 .为了找到与点相切的线而画一条线