1 初始准备

import numpy as np
import matplotlib.pyplot as pl
from sklearn import svm

2 模拟线性不可分数据

线性不可分数据

X=np.c_[(.4,-.7),
        (-1.5,-1),
        (-1.4,-.9),
        (-1.3,-1.2),
        (-1.1,-.2),
        (-1.2,-.4),
        (-.5,1.2),
        (-1.5,2.1),
        (1,1),
        #--
        (1.3,.8),
        (1.2,.5),
        (.2,-2),
        (.5,-2.4),
        (.2,-2.3),
        (0,-2.7),
        (1.3,2.1)].T
Y=[0]*8+[1]*8 #前8个一类，后8个一类

3 循环使用不同的SVM核

fignum=1#表示第几副图

#使用三种不同的核
for kernel in ('linear','poly','rbf'):
    clf=svm.SVC(kernel=kernel,gamma=2)#gamma=1/(2*a^2)
    clf.fit(X,Y)
    
    pl.figure(fignum,figsize=(4,3))
    pl.clf()
    
    #支持向量
    pl.scatter(clf.support_vectors_[:,0],clf.support_vectors_[:,1],s=80,facecolors='none',zorder=10,edgecolors='k')
    #第一类
    pl.scatter(X[:8,0],X[:8,1],c='g',zorder=10,cmap=pl.cm.Paired,edgecolors='k')
    
    #第二类
    pl.scatter(X[8:,0],X[8:,1],c='r',zorder=10,cmap=pl.cm.Paired,edgecolors='k')
    
    pl.axis('tight')
    x_min=-3
    x_max=3
    y_min=-3
    y_max=3
    
    XX,YY=np.mgrid[x_min:x_max:200j,y_min:y_max:200j]#复数类似np.linspace 步长
    Z=clf.decision_function(np.c_[XX.ravel(),YY.ravel()])
    
    #绘制决策边界和间距
    Z=Z.reshape(XX.shape)
    pl.figure(fignum,figsize=(4,3))
    pl.contour(XX,YY,Z,colors=['g','r','g'],linestyles=['--','-','--'],levels=[-.5,0,.5])#为了图好看，间距设置0.5
    
    pl.xlim(x_min,x_max)
    pl.ylim(y_min,y_max)
    
    fignum=fignum+1

pl.show()