从零开始创建支持向量机 - 使用 Python 的实用机器学习教程 第 25 页

这段文字描述了如何使用 Python 代码实现支持向量机 (SVM) 的基本步骤。

首先，代码导入了必要的库，包括 matplotlib.pyplot 用于绘图，matplotlib.style 用于设置绘图样式，以及 numpy 用于数值计算。

接着，代码创建了一个名为 data_dict 的字典，用来存储训练数据。字典的键是类别标签（-1 或 1），值是对应类别的样本数据，每个样本数据是一个包含两个元素的列表。

然后，代码开始构建 SVM 类。作者解释了 self 的作用以及类和方法的概念。作者强调将 SVM 构建为一个对象的好处，因为它可以被训练一次并多次使用，而无需重复训练。

最后，代码简要介绍了 SVM 类的一些方法，例如 train 和 predict。作者还比较了 SVM 和 K-近邻算法，指出 SVM 将训练数据保存为对象，而 K-近邻算法每次预测都需要重新训练，因此将 SVM 构建为对象更有效。

总而言之，这段文字为读者提供了一个简单的 SVM 实现的概述，并解释了 SVM 的基本概念和优势。

欢迎来到我们的机器学习教程系列的第 25 部分，也是我们支持向量机部分的下一部分。 在本教程中，我们将从头开始设置自己的 SVM。 但是，在我们深入研究之前，我要提醒您注意解决此约束优化问题的其他几个选项：首先，约束优化是一个巨大的主题，关于这个主题有很多资料。 即使是我们的小节：凸优化，也是巨大的。 一个起点可能是：https://web.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf。 对于一般约束优化的起点，您也可以查看 http://www.mit.edu/~dimitrib/Constrained-Opt.pdf在 Python 领域，CVXOPT 包提供了各种凸优化方法，其中之一是我们拥有的二次规划问题（位于 @ cvxopt.solvers.qp）。 此外，更具体地说，还有 libsvm 的 Python 接口，或者 libsvm 包本身。 我们选择不使用任何这些，因为支持向量机的优化问题基本上就是整个 SVM 问题。 现在，开始我们在 Python 中的 SVM。 https://pythonprogramming.net