支持向量机（SVM）---代码实现

# coding: utf-8

## 感知器模型流程
"""
    1.初始化w, b
    2.遍历所有训练数据集中选出的误分类点：
        2.1.如果y != sign(wx+b) 或者 y*(wx+b) <= 0 则为误分类点
        2.2 根据误分类点计算：w_new = w_old -alpha * 对w的梯度， b_new = b_old - alpha * 对b的梯度
    3.直到没有误分类点或者达到迭代次数停止迭代.
"""

import sys
import numpy as np
import matplotlib.pyplot as plt

p_x = np.array([[4.0, 2.0], [3.0, 2.0], [2.5, 1.0], [2.0, 1.0]])
# print(p_x)
# sys.exit()
y = np.array([1, 1, -1, -1])

# 画出源数据点图分布
for i in range(len(p_x)):
    if y[i] == 1:
        # print(p_x[i][0], p_x[i][1])
        print(p_x[i])
        plt.plot(p_x[i][0], p_x[i][1], 'ro')
    else:
        plt.plot(p_x[i][0], p_x[i][1], 'bo')
# plt.show()
# sys.exit()

##找出分割超平面
# 初始化w,b
w = np.array([1.0, 1.0])
b = 1.0
# 设置初始学习率
alpha = 0.5
# 设置迭代次数
for i in range(160):
    # 选择误分类点
    choice = -1
    error_list = []
    for j in range(len(p_x)):
        # 判断误分类点