python sklearn svm svr 多输出_机器学习SVM原理，分类SVC+回归SVR（基于sklearn）

①SVM

【高清png图和wps导入的pos文件在原文链接】

②代码部分【原书中因sklearn版本问题，导包部分已修改】

# 使用鸢尾花数据集 SVC分类，记住SVC不会输出每个类别的概率from sklearn import datasetsfrom sklearn.svm import SVCiris = datasets.load_iris()X= iris["data"][:,(2,3)] y = iris["target"]setosa_or_versicolor=(y==0)|(y==1)X = X[setosa_or_versicolor]y = y[setosa_or_versicolor]svc_clf = SVC(kernel='linear',C=float('inf'))svc_clf.fit(X,y)# 可预测svc_clf.predict([[2.5,1.7]])

# 非线性SVM分类from sklearn.datasets import make_moonsfrom sklearn.pipeline import Pipelinefrom sklearn.preprocessing import PolynomialFeaturesX, y = make_moo