27、基于scikit - learn和FastAPI的机器学习模型训练与预测API构建

基于scikit - learn和FastAPI的机器学习模型训练与预测API构建

1. 支持向量机（SVM）基础与应用

1.1 简单分类问题的直观理解

考虑一个简单的分类问题，目标是将样本分为两类。直观上，对于一些随机生成的数据，找到一条直线来清晰地分隔这两类似乎很简单。但实际上，存在很多不同的分隔直线，如下图所示（此处省略图）。

1.2 SVM的工作原理

SVM会在每个可能的分类器周围绘制一个边界，直到最近的点。选择使边界最大化的分类器作为模型。与边界接触的两个样本被称为支持向量。

在现实世界中，数据往往不是线性可分的。SVM通过应用核函数将数据集投影到更高维度来解决这个问题。核函数可以计算每对点之间的相似度，在新的维度中，相似的点靠近，不相似的点远离。例如，径向基函数（RBF）是scikit - learn中使用SVM时默认应用的核函数。

1.3 在scikit - learn中使用SVM

SVM有不同的类型，SVC估计器适用于分类问题，SVR通常适用于回归问题。以下是使用SVC估计器进行手写数字识别的示例代码：

from sklearn.datasets import load_digits
from sklearn.model_selection import cross_val_score
from sklearn.svm import SVC

digits = load_digits()
data = digits.data
targets = digits.target
# Create t