机器学习（二）：快速入门SVM分类

定义

SVM便是根据训练样本的分布，搜索所有可能的线性分类器中最佳的那个。仔细观察彩图中的蓝线，会发现决定其位置的样本并不是所有训练数据，而是其中的两个空间间隔最小的两个不同类别的数据点，而我们把这种可以用来真正帮助决策最优线性分类模型的数据点称为”支持向量“. （即支持向量就是离分隔超平面最近的那些点)。换句话说，找出能分离样本的一个最优平面距离超平面最近的训练样本的点被成为支撑向量,两个支撑向量距离超平面距离之和最远

其实，仔细研究线性分类和SVM会发现，线性分类的是不断调整函数中各个特征的权重，SVM就是在最好的线性基础上调整b的值。

常用的SVM分类API：LinearSVC 和svc

LinearSVC线性分类SVM,可用于二分类，也可用于多分类.

`class sklearn.svm.LinearSVC(penalty=’l2’, loss=’squared_hinge’, dual=True, tol=0.0001, C=1.0, multi_