机器学习sklearn----支持向量机分类器SVC求解过程可视化

本文链接：https://blog.csdn.net/weixin_43776305/article/details/121730184

本文通过sklearn库探讨支持向量机（SVM）的决策边界和超平面可视化，包括线性可分和非线性数据的SVC求解过程。通过在二维和三维空间中展示数据分布，解释了线性SVC在非线性数据上的局限性，并介绍了如何通过改变kernel参数实现非线性决策边界的构建。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

文章目录

需求及思路

需求：画出啊决策边界和两个超平面
实现思路：从坐标轴上去出大量的点，将点的坐标值当作两个特征放入SVC模型中，预测每个点对应的类别。利用matplotlib中contour函数画出等高线(到决策边界距离相同的点具有相同的高度)，保留[-1, 0, 1]三条。0对应决策边界，其他的两条就是两个超平面

本文代码使用到的第三方库如下

from sklearn.datasets import make_blobs, make_circles
from sklearn.svm import SVC
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

%matplotlib inline

文中的使用数据集只有两个特征，一个标签，将两个特征作为横纵坐标，标签作为颜色就能画出数据的分布图了，画出分布情况的代码如下：

X, y = make_blobs(n_samples=100, n_features=2, centers=2, random_state=1, cluster_std=2)
# cluster_std 每个簇内部之间的标准差，用于控制每个簇的离散程度

# 第一个特征是横坐标，第二个特征是纵坐标
plt.scatter(X[:, 0], X[:, 1], c=y)

在这里插入图片描述

对于SVC的求解过程可以分为两种情况

线性数据：可以直观的找到一条直线或一个平面，将数据分开，例如下面的数据就是线性可分的
非线性数据：不能通过简单的直线或平面将数据分开，下面的数据就是非线性的

线性可分数据的SVC求解可视化

# 创建数据集
X, y = make_blobs(n_samples=100, n_features=2, centers=