支持向量机（Support Vector Machine，简称 SVM）是一种监督学习算法，主要用于分类和回归问题。

SVM 的核心思想是找到一个最优的超平面，将不同类别的数据分开。这个超平面不仅要能够正确分类数据，还要使得两个类别之间的间隔（margin）最大化。

超平面 ：

• 在二维空间中，超平面是一个直线。
• 在三维空间中，超平面是一个平面。
• 在更高维空间中，超平面是一个分割空间的超平面。

支持向量 ：

• 支持向量是离超平面最近的样本点。这些支持向量对于定义超平面至关重要。
• 支持向量机通过最大化支持向量到超平面的距离（即最大化间隔）来选择最佳的超平面。

最大间隔 ：

• SVM的目标是最大化分类间隔，使得分类边界尽可能远离两类数据点。这可以有效地减少模型的泛化误差。

核技巧（Kernel Trick） ：

• 对于非线性可分的数据，SVM使用核函数将数据映射到更高维的空间，在这个空间中，数据可能是线性可分的。
• 常用的核函数有：线性核、多项式核、径向基函数（RBF）核等。

SVM 分类流程

1. 选择一个超平面 ：找到一个能够最大化分类边界的超平面。
2. 训练支持向量 ：通过支持向量机算法，选择离超平面最近的样本点作为支持向量。
3. 通过最大化间隔来找到最优超平面 ：选择一个最优超平面，使得间隔最大化。
4. 使用核函数处理非线性问题 ：通过核函数将数据映射到高维空间来解决非线性可分问题。

使用 Python 实现 SVM

接下来，我们将使用 Python 中的 scikit-learn 库来实现一个简单的 SVM 分类器。

1. 安装必要的库

首先，确保你已经安装了 scikit-learn 库。如果没有安装，可以使用以下命令进行安装：

pip install scikit-learn

2. 导入库

实例

3. 加载数据集

我们将使用 scikit-learn 自带的鸢尾花（Iris）数据集。

实例

4. 划分训练集和测试集

实例

5. 训练 SVM 模型

实例

6. 预测与评估

实例

7. 可视化结果

实例

执行以上代码，输出为：

模型准确率: 0.80

图片显示为：