一、原理：以一个二分类为例(y=-1，1 ) :希望支撑向量之间的距离尽可能远。
你可以看到上面三种方法的效果：
分类效果H1无法完成分类H2robost性差(在新数据集中鲁棒性差) H3最稳健1.SVM与其他分类器不同。
其他分类器将所有样本视为类似的作用，支持向量机仅重视几个支持向量。
利用凸优化原理：
3 .维数超过样本样本数可以
SVM支持高维分类
4 .培训多个label原理：
例如，如果有1、2、3个类别，则可以训练3个SVM模型
二、当两个类看起来不一定是可时分的时，高维数据或线性不可分割数据使用核函数被高维映射，并且直观地理解如下：
三、代码示例1.简单示例
fromsklearnimportsvmx=[ 0，0 ]、[ 1，1 ]、[ 3，3 ]、[ 4，4 ] y=[ 0，1，1，1 ] clf=SVM.SVC (#结构模型clf.)
# SVM可视化importnumpyasnpimportmatplotlib.pyplotaspltfromsklearnimportsvmfromsklearn.datasetsimportmake _ blobs # we create 40 sk 如果设置y=make_blobs(n_samples=40，centers=2，random_state=6) random_state=6，则相同的随机数据print (NP.cate ) 1 ) )、axis=1) ) )。don ' tregularizeforillustrationpurposesclf=SVM.SVC (kernel=' linear '，C=1000 获得s=30个设置点的大小# plotthedecisionfunctionax=PLT.GCA (#当前坐标轴xlim=ax.get_xlim ) #并获得x轴最小、最大值print ) xlim ylim #计算各点到超平面的距离，有助于评价该模型的好坏。 xx=NP.linspace(xlim[0]，xlim[1]，30 ) YY=NP.Linspace(ylim[0]，ylim[1]，30 ) YY，xx=NP.meshgrid xx ) #将展开矩阵从最大值到最小值平均分割30得到两个30*30的矩阵#NP )的列不变# ravel多维矩阵称为一维向量xy=NP.vstack([xx.ravel )、YY.ravel () ) 2z=clf.decision _ function (xy ).reshape ) xx.shape ) z:30*30#decision此处为距超平面的距离# plotdecisionboundaryandmand 可以理解为matplotlib.puplot.contour用于绘制等高线#在此，以与超平面的距离绘制等高线，三个等级的等高线ax.contour(xx、YY、z levels=[-1，0，1 ]，AAL ) '-- ' ] # plotsupportvectorsax.scatter (clf.) () ) ) ) 652 clf.support _ vectors _ [ :]
importnumpyasnpimportpandasaspdfromsklearn.model _ selectionimporttrain _ test _ split data=PD.read _ CSV (d 336536500 PDM bbsv SVM.CSV'(print(data.columns ) x=data[[ 'Alcohol '，' Malic acid '，' Ash 'Flavanoids '，' Nonflavanoid phenols ' od 280/od 315 of diluted wines ' proline ' ] y=data [ ' label ' ] x _ train，x_test，y_train，y _ test=train _ train test_size=0.1 ) froms klearn.svmimportsvcfromsklearn.model _ selectionimportgridsearchcvsvc=SVC (#网格搜索， 寻找最佳参数#具有多种核函数的paramgrid=DICT(kernel=['linear '、' poly '、' rbf '、' sigmoid'] )三折交叉校验gridsearched return_train_score=True ) grid=gridsearchcv.fit(x_train， y_train(print )最高得分为： ) % grid.best _ score _ (print )最高参数为： ) ) forkeyingrid.best_Params_ . (best _ model=grid.best _ estimator _ print (best _ model.predict (x _ test ) ) ) )索引x_test
1 .函数： np.concatenate、
2 .网格搜索