Python机器学习笔记：SVM(1)——SVM概述

本篇文章将介绍一种常用的机器学习算法——SVM，即支持向量机。SVM是一种二分类模型，可用于线性和非线性数据分类。

SVM的概念

SVM是通过将数据映射到高维空间中，找到一条可以将数据分成两部分的分割线来进行分类的。在这个过程中，距离分割线最近的那部分数据点，也就是离分割线最近的支持向量，对分类起到了决定性作用。因此，SVM也叫做最大间隔分类器。

SVM还有一个神奇的特性，就是它可以通过核函数将线性不可分的数据映射到高维空间中，从而实现非线性分类。

SVM的优势和应用场景

SVM具有以下优点：

1. 可以通过不同的核函数应用于不同的数据集
2. 在处理高维度数据上的表现很好
3. 可以处理线性和非线性数据集

SVM的应用场景非常广泛，包括：

1. 图像分类
2. 生物信息学
3. 金融分类

总结

本篇文章简要介绍了SVM的概念、优势和应用场景。接下来，我们将在后续的文章中更深入地了解SVM的具体实现方法。

代码示例：

from sklearn import svm
from sklearn import datasets
# 加载iris数据
iris = datasets.load_iris()
X = iris.data[:, :2] # 只取前两个特征
y = iris.target
# 训练SVM模型
clf = svm.SVC(kernel='linear', C=1.0)
clf.fit(X, y)
# 预测
result = clf.predict([[5.1, 3.5]])
print(result)

输出结果为：

array([0])

即预测出这个花样品属于0类。