Sklearn专题七：支持向量机SVM-线性SVM决策过程的可视化

2.1.4 线性 SVM 决策过程的可视化

我们可以使用 sklearn 中的式子来为可视化我们的决策边界，支持向量，以及决策边界平行的两个超平面。

1. 导入需要的模块

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

2. 实例化数据集，可视化数据集

X,y = make_blobs(n_samples=50, centers=2, random_state=0,cluster_std=0.6)
plt.scatter(X[:,0],X[:,1],c=y,s=50,cmap="rainbow")#rainbow彩虹色
plt.xticks([])
plt.yticks([])
plt.show()

3. 画决策边界：理解函数 contour

matplotlib.axes.Axes.contour([X, Y,] Z, [levels], **kwargs) Contour是我们专门用来绘制等高线的函数。等高线，本质上是在二维图像上表现三维图像的一种形式，其中两维X 和 Y 是两条坐标轴上的取值，而 Z 表示高度。 Contour 就是将由 X 和 Y构成平面上的所有点中，高度一致的点连接成线段的函数，在同一条等高线上的点一定具有相同的 Z 值。我们可以利用这个性质来绘制我们的决策边界。

回忆一下，我们的决策边界是，并在决策边界的两边找出两个超平面，使得超平面到决策边界的相对距离为 1 。那其实，我们只需要在我们的样本构成的平面上，把所有到决策边界的距离为