2020.08.28_Task3_基于支持向量机模型，实现分类预测

支持向量机（Support Vector Machine，SVM）是一个非常优雅的算法，具有非常完善的数学理论，常用于数据分类，也可以用于数据的回归预测中，由于其优美的理论保证和利用核函数对于线性决策边界不可分的问题的处理技巧， 在上世纪90年代左右，SVM曾红极一时。

这里呢，我先暂时不介绍太多历史，我后面会补上，连同之前没有补上的部分一起补上。最近实在是有丢丢忙，连着几天开会，我人都懵了。

还是建议一下，新手学机器学习，时间充裕的情况下千万不要想着急功近利学会调参，还是应当好好了解这个学科的发展历程，了解各个理论从易到难，由简单到复杂的过程。但是对于急于上手的同学、工作人员来说，我相信学习的过程也是类似的。急是急不来的，思维从不会到会用是需要不停锻炼的。光有输入但是没有任何训练的过程，都得不到最终的输出。要学会告诉自己慢下来，不要去和大牛比，学会跟完全不懂的自己比，做着做着就会进步，也就觉得学习起来有成就感。

首先我们可以明确一点，SVM这个算法，是用于做什么的？
1 分类预测 (Supporting Vector Classifier, SVC)
这个和逻辑回归、决策树的功能（or 一部分功能）一样，都是利用训练集获得一个假设函数，并根据这个假设函数对新的数据集进行分类预测。
使用SVM，最重要的一环，就是可以找到不同类别的数据集之间的决策边界（decision boundary）。这个决策边界的函数图像，可以是一个线性的，也可以是一个非线性的。
而决策边界到底该是线性的，还是非线性的。直观上就是通过你把你的数据集可视化之后，看一看类与类之间的数据，是不是可以通过 线性决策边界 or 非线性决策边界 来进行划分。如果是线性决策边界，那么SVM中就有对应的算法来计算这个 线性决策边界 ；如果是非线性决策边界，那么SVM中就有对应的算法来计算这个 非线性决策边界 。（这个办法，后续再补充）
最终怎么实现分类预测？除了根据训练集数据确定相应的决策边界外，和逻辑回归一样，还需要通过“决策函数”来确定每一个数据属于哪一类。那么SVM中也有自己的决策函数，和逻辑回归类似。大家还记得逻辑回归中的决策函数是什么吗？（大家记得回顾我之前的贴子复习哦）

2 回归分析（Supporting Vector Regression, SVR）
这时候叫做“支持向量机回归”（SVR），它的功能就是用SV实现一个回归分析的功能。具体要怎么做呢？也是后期补上。（这里感觉要补的知识点很多啊！）

接下来，我们通过一个例子，看一下SVM在Python中怎么实践。

## 导入基本函数库
import numpy as np;

导入数据集

x_features = np.array([[