Scikit-Learn学习笔记——支持向量机(SVM)

支持向量机

支持向量机（SVM）是非常强大、灵活的有监督学习算法，既可以用于分类，也可用于回归。在贝叶斯分类器中我们首先对每个类进行了随机分布的假设，然后用生成的模型估计新数据点的标签，这属于生成分类方法。而SVM属于判别分类方法：不再为每类数据建模，而是用一条分割线（二维空间中的直线或者曲线）或者流体（多维空间中的曲线、曲面等概念的推广）将各种类型分割开。

支持向量机：边界最大化

对于仅仅使用分割线划分分界线可能会存在多解的问题，SVM提供了改进这个问题的方法：不再画一条细线来区分分类，而是画一条到最近点的边界、有宽度的线条。在支持向量机中，选择边界最大的那条线是模型的最优解。支持向量机其实就是一个边界最大化评估器。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import stats
import seaborn as sns;sns.set()

#创建实验数据
from sklearn.datasets.samples_generator import make_blobs
x, y = make_blobs(n_samples=50, centers=2, random_state=0,cluster_std=0.60)
plt.scatter(x[:, 0], x[:, 1], c=y, s=