支持向量机分类器（I）

支持向量机分类器（I）

定义：根据训练样本的分布，搜索可能的线性分类器中最优的分类器。
决策关键：空间间隔最小的两个不同类数据点——“支持向量”

代码：使用支持向量机进行识别：

#从sklearn.preprocessing导入数据便准化模块
from sklearn.prececssing import StandardScaler
#从sklearn.svm里导入基于线性假设的支持向量机分类器LinearSVC
from sklearn.svm import LinearSVC

#对仍需要训练和测试的特征数据进行标准化
ss=StandardScaler()
X_train=ss.fit_transform(X_train)
X_test=ss.transform(X_test)

#初始化线性假设的支持向量机分类器LinearSVC
lsvc=LinearSVC()
#进行模型训练
lsvc.fit(X_train,y_train)
#利用训练好的模型对测试样本进行测试，结果储存在y_predict
y_predict=lsvc.predict(x_test)

利弊：

1. 利：适合海量高纬度数据的预测样本筛选（少量且高效）——节约数据内存；提高模型性能
2. 弊：计算代价——CPU资源和计算时间