第24课：直观认识 SVM 和 SVR

SVM 实例

前面我们学习了 SVM 的理论，讲了线性可分 SVM、线性 SVM、非线性 SVM 和核函数。

在本文，我们将通过几个例子，来直观了解一下这些概念。

我们采用一维特征，这样可以将样本直接对应到直角坐标中的点，看起来非常直观，便于理解。

线性可分 SVM

先来看一个最简单的例子：线性可分 SVM：

    import numpy as np
    import matplotlib.pyplot as plt
    from sklearn.svm import SVC # "Support vector classifier"

    # 定义函数plot_svc_decision_function用于绘制分割超平面和其两侧的辅助超平面
    def plot_svc_decision_function(model, ax=None, plot_support=True):
        """Plot the decision function for a 2D SVC"""
        if ax is None:
            ax = plt.gca()
        xlim = ax.get_xlim()
        ylim = ax.get_ylim()

        # 创建网格用于评价模型
        x = np.linspace(xlim[0], xlim[1], 30)
        y = np.linspace(ylim[0], ylim[1], 30)
        Y, X = np.meshgrid(y, x)
        xy = np.vstack([X.ravel(), Y.ravel()]).T
        P = model.decision_fu