在python中除了编程化的知识点外，对于数学方法的算法也有所涉及，SVM就是一种很好地体现。我们学习过数学中的坐标方法，分别是点、线、面连接成图形，SVM也继承了这方面的画图方法。下面我们学习SVM的有关概念，然后就其核心代码进行分析，体会SVM的使用原理。

1.概念理解

“支持向量机”(SVM)是一种监督机器学习算法，可用于分类或回归挑战。然而，它主要用于分类问题。在这个算法中，我们将每一个数据项作为一个点在n维空间中(其中n是你拥有的特征数)作为一个点，每一个特征值都是一个特定坐标的值。然后，我们通过查找区分这两个类的超平面来进行分类。

2.核心代码

模型本身并不难，就是要画出相应的图

clf = SVC(kernel = "linear").fit(X,y)
print(clf.predict(X))

预测又对X自己预测了一变。按照核心代码依旧延续sklearn的风格，十分简单。

可视化可能优点麻烦,需要用到下面这个函数。这个函数只需输入clf即可。

def plot_svc_decision_function(model,ax=None):
    if ax is None:
        ax = plt.gca()
    xlim = ax.get_xlim()
    ylim = ax.get_ylim()
    x = np.linspace(xlim[0],xlim[1],30)
    y = np.linspace(ylim[0],ylim[1],30)
    Y,X = np.meshgrid(y,x)
    xy = np.vstack([X.ravel(), Y.ravel()]).T
    #decision_function这个函数可以返回给定的x,y点到决策边界（也就是点到SVM所得到划分线的距离）
    P = model.decision_function(xy).reshape(X.shape)
    ax.contour(X, Y, P,colors="k",levels=[-1,0,1],alpha=0.5,linestyles=["--","-","--"])
    ax.set_xlim(xlim)
    ax.set_ylim(ylim)

函数大概思路就是首先生成一个网格，然后计算网格中各个点到决策边界的距离，最后绘制等高线(算出的距离相等的一条线)。

以上就是SVM在python中的原理分析，大家在理解了SVM的基础使用后，可以展开对核心代码的练习，找到使用SVM画图的关键实现方法。

（推荐操作系统：windows7系统、Python 3.9.1，DELL G3电脑。）