Python机器学习笔记（六、核支持向量机）

核支持向量机（kernelized support vector machine）简称SVM，支持向量机可以用于分类，也可以用于回归，分类在SVC中实现，回归在SVR中实现。

1. 线性模型与非线性特征

线性模型在低维空间中的应用非常受限，因为线和平面的灵活性有限。有一 种方法可以让线性模型更加灵活，就是添加更多的特征--例如，添加输入特征的交互项或多项式。下面看个模拟数据集的例子：

import matplotlib.pyplot as plt
import mglearn
from sklearn.datasets import make_blobs

X, y = make_blobs(centers=4, random_state=8)
y = y % 2
mglearn.discrete_scatter(X[:, 0], X[:, 1], y)
plt.xlabel("Feature 0")
plt.ylabel("Feature 1")
plt.show()

输出图形：

上图输出的二分类数据集，类别并不是线性可分的。用于分类的线性模型只能用一条直线来划分数据点，对这个数据集无法给出较好的结果。

import ma