这篇文章主要介绍了SVM在python中的原理是什么，具有一定借鉴价值，感兴趣的朋友可以参考下，希望大家阅读完这篇文章之后大有收获，下面让小编带着大家一起了解一下。
创新互联是少有的成都网站建设、做网站、营销型企业网站、微信小程序、手机APP,开发、制作、设计、买链接、推广优化一站式服务网络公司,于2013年开始,坚持透明化,价格低,无套路经营理念。让网页惊喜每一位访客多年来深受用户好评
python常用的库：1.requesuts；2.scrapy；3.pillow；4.twisted；5.numpy；6.matplotlib；7.pygama；8.ipyhton等。
在python中除了编程化的知识点外，对于数学方法的算法也有所涉及，SVM就是一种很好地体现。我们学习过数学中的坐标方法，分别是点、线、面连接成图形，SVM也继承了这方面的画图方法。下面我们学习SVM的有关概念，然后就其核心代码进行分析，体会SVM的使用原理。
1.概念理解
“支持向量机”(SVM)是一种监督机器学习算法，可用于分类或回归挑战。然而，它主要用于分类问题。在这个算法中，我们将每一个数据项作为一个点在n维空间中(其中n是你拥有的特征数)作为一个点，每一个特征值都是一个特定坐标的值。然后，我们通过查找区分这两个类的超平面来进行分类。
2.核心代码
模型本身并不难，就是要画出相应的图
clf = SVC(kernel = "linear").fit(X,y) print(clf.predict(X))
预测又对X自己预测了一变。按照核心代码依旧延续sklearn的风格，十分简单。
可视化可能优点麻烦,需要用到下面这个函数。这个函数只需输入clf即可。
def plot_svc_decision_function(model,ax=None): if ax is None: ax = plt.gca() xlim = ax.get_xlim() ylim = ax.get_ylim() x = np.linspace(xlim[0],xlim[1],30) y = np.linspace(ylim[0],ylim[1],30) Y,X = np.meshgrid(y,x) xy = np.vstack([X.ravel(), Y.ravel()]).T #decision_function这个函数可以返回给定的x,y点到决策边界（也就是点到SVM所得到划分线的距离） P = model.decision_function(xy).reshape(X.shape) ax.contour(X, Y, P,colors="k",levels=[-1,0,1],alpha=0.5,linestyles=["--","-","--"]) ax.set_xlim(xlim) ax.set_ylim(ylim)
函数大概思路就是首先生成一个网格，然后计算网格中各个点到决策边界的距离，最后绘制等高线(算出的距离相等的一条线)。
感谢你能够认真阅读完这篇文章，希望小编分享的“SVM在python中的原理是什么”这篇文章对大家有帮助，同时也希望大家多多支持创新互联，关注创新互联行业资讯频道，更多相关知识等着你来学习!
