机器学习算法（AI入门体验）Task03：基于支持向量机的分类预测

支持向量机（Support Vector Machine，SVM）

1. 支持向量机为我们提供了在众多可能的分类器之间进行选择的原则，从而确保对未知数据集具有更高的泛化性。
2. 优缺点
   （1）优点
   有严格的数学理论支持，可解释性强，不依靠统计方法，从而简化了通常的分类和回归问题；能找出对任务至关重要的关键样本（即：支持向量）；采用核技巧之后，可以处理非线性分类/回归任务；最终决策函数只由少数的支持向量所确定，计算的复杂性取决于支持向量的数目，而不是样本空间的维数，这在某种意义上避免了“维数灾难”。
   （2）缺点
   训练时间长。当采用 SMO 算法时，由于每次都需要挑选一对参数，因此时间复杂度为 O(N^2)，其中 N 为训练样本的数量；当采用核技巧时，如果需要存储核矩阵，则空间复杂度为 O(N^2)；模型预测时，预测时间与支持向量的个数成正比。当支持向量的数量较大时，预测计算复杂度较高。
   因此支持向量机目前只适合小批量样本的任务，无法适应百万甚至上亿样本的任务。
3. 算法实战
   （1）库函数导入

##  基础函数库
import numpy as np 
## 导入画图库
import matplotlib.pyplot as plt
import seaborn as sns
## 导入逻辑回归模型函数
from sklearn  import svm

（2）构建数据集并进行模型训练

##Demo演示LogisticRegression分类
## 构造数据集
x_fearures = np.array([[-1, -2],