机器学习sklearn:支持向量机svm

概述：现在就只知道这个svm可以画出决策边界，对数据的划分。简单举例就是：好的和坏的数据分开，中间的再验证

from sklearn.datasets import make_blobs
from sklearn.svm import SVC
import matplotlib.pyplot as plt
import numpy as np

# 1. 生成数据
X, y = make_blobs(
    n_samples=50,       # 50个样本
    centers=2,          # 2个类别（二分类）
    random_state=0,     # 固定随机种子
    cluster_std=0.6     # 控制数据点的分散程度
)   # X是样本，y是标签

# 2. 训练线性SVM
model = SVC(kernel='linear').fit(X, y)

# 3. 绘制数据点
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap="rainbow")  # 按类别着色

# 4. 绘制决策边界和支持向量间隔
ax = plt.gca()  # 获取当前坐标轴
xlim = ax.get_xlim()  # 获取x轴范围
ylim = ax.get_ylim()  # 获取y轴范围

# 生成网格点（用于绘制决策边界）
xx, yy = np.meshgrid(
    np.linspace(xlim[0], xlim[1], 50),  # x轴50个点
    np.linspace(ylim[0], ylim[1], 50)   # y轴50个点
)   # 分成50分画网格

# 计算决策函数值（SVM的间隔）
Z = model.decision_function(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)    # 计算决策值并重塑为网格矩阵

# 绘制决策边界（黑色实线）和间隔边界（黑色虚线）
ax.contour(
    xx, yy, Z,
    colors='k',
    levels=[-1, 0, 1],  # 0是决策边界，±1是支持向量间隔
    alpha=0.5,          # 透明度
    linestyles=['--', '-', '--']  # 虚线-实线-虚线
)

# 5. 标记支持向量（SVM的关键数据点）
ax.scatter(
    model.support_vectors_[:, 0],  # 支持向量的x坐标
    model.support_vectors_[:, 1],  # 支持向量的y坐标
    s=100,                        # 点的大小
    facecolors='none',            # 空心点
    edgecolors='k',               # 黑色边框
    linewidths=1.5                # 边框宽度
)

plt.title("SVM Decision Boundary with Support Vectors")
plt.show()

print(Z)