支持向量机基础

支持向量机：也叫支持向量网络，可以继续有监督，半监督，无监督学习

有监督学习：线性二分类与回归， 非线性二分类与回归，普通连续型变量的回归，概率型连续变量的回归

无监督学习：支持向量机的聚类（SVC），异常值检测

半监督学习：转导支持向量机

支持向量机用途最广泛领域属于线性与非线性分类用途

支持向量机可以进行手写数字识别，人脸识别，文本分类，图像分类，是最接近深度学习的机器学习算法

支持向量机的原理：在数据中找到超平面作为决策边界，并且使得模型的误差尽量小

超平面：当前空间的子空间，比当前空间小一维，三维空间的超平面是二维平面

支持向量机的目标是：找到边际最大的决策边界

 支持向量机的决策过程可视化

from sklearn.datasets import make_blobs  #制造数据
from sklearn.svm import SVC
import  matplotlib.pyplot as plt
import numpy as np

x,y = make_blobs(n_samples=50,centers=2,random_state=0,cluster_std=0.6)
plt.scatter(x[:,0],x[:,1],c= y,s= 50,cmap