以下内容转自 数析学院，只节选了部分，有需要的同学可以直接查看原文


在 Python 中如何利用 Scikit-Learn 等工具库构建并使用支持向量机模型




利用 make_blobs 函数生成本节示例数据——两组有明显集群特征的随机样本点：




我们都知道，支持向量机以线性分类器为基础，通过构造高维空间中的超平面来对样本的分类进行判别，为了更好的刻画支持向量机的模型效果，这里我们先向大家简单演示二维空间中分类平面与间隔的绘制方法，以为后续内容做准备：




支持向量机中，几何间隔是分类器的重要属性，可以通过如下方法在二维空间中绘制分类平面的几何间隔：




准备工作就绪，接下来我们导入 Scikit-Learn 的支持向量机工具包 SVC ，并对模型进行构建与训练：




SVC(C=10000000000.0, cache_size=200, class_weight=None, coef0=0.0,  decision_function_shape=None, degree=3, gamma='auto', kernel='linear',  max_iter=-1, probability=False, random_state=None, shrinking=True,  tol=0.001, verbose=False)
利用以上演示过的内容，构建如下函数 plot_svc_decision_function ，用于描绘我们训练的支持向量分类器在二维空间中的分类边界：

对于本节的示例数据，模型训练得出的分类边界如下所示：

通过模型的 support_vectors_ 属性，我们可以查看模型中的支持向量：
array([[ 0.44359863,  3.11530945],       [ 2.33812285,  3.43116792],       [ 2.06156753,  1.96918596]])

以上内容节选自 数析学院，后文还有介绍 其他核函数分类器以及人脸识别实例等，内容较多，先搬运到这，有需要的同学可以先直接到 数析学院 查看原文