在上两节中，我们讲解了机器学习的决策树和k-近邻算法，本节我们讲解另外一种分类算法：支持向量机SVM。
SVM是迄今为止最好使用的分类器之一，它可以不加修改即可直接使用，从而得到低错误率的结果。
【案例背景】
从前有两个地主，他们都是占山为王的一方霸主。本来各自吃饱自己的饭万事无忧，可是人心不知足蛇吞象啊，自己总是都想占对方的一亩三分地，冲突争吵从来都没有停歇过。当时的环境就是谁狠这土地就归谁，但是我们现在想从科学的角度来分析，如何让他们的地盘均分，画条边界线，从此互不干扰呢？
【演示代码】
importnumpy as npimportmatplotlib.pylab as pltfromsklearnimportsvm#生成随机分布的点np.random.seed(1)
X=np.r_[np.random.randn(20,2)-[2,2],np.random.randn(20,2)+[2,2]]
Y=[0]*20+[1]*20#在图中画出随机分布的点plt.scatter(X[:,0],X[:,1],c=Y,s=80,cmap=plt.cm.Paired)#这里是SVM核心算法函数clf=svm.SVC(kernel='linear')
clf.fit(X,Y)#画出分割线w=clf.coef_[0]
a=-w[0]/w[1]#得到斜率xx=np.linspace(-5,5)
yy=a*xx-(clf.intercept_[0])/w[1]
plt.plot(xx,yy,'k-')#在图中画出支持向量的点的两条直线b=clf.support_vectors_[0]
yy_down=a*xx+(b[1]-a*b[0])
b=clf.support_vectors_[-1]
yy_up=a*xx+(b[1]-a*b[0])
plt.plot(xx,yy_down,'k--')
plt.plot(xx,yy_up,'k--')#将支持向量的点特殊显示plt.scatter(clf.support_vectors_[:,0],clf.support_vectors_[:,1],s=100)#在图中显示需要预测的点test_x1, test_y1 = (-3, -3)
test_x2, test_y2= (0, 5)
plt.scatter([test_x1],[test_y1],s=100)
plt.scatter([test_x2],[test_y2],s=100)
Z1=clf.predict([[test_x1, test_y1]])
Z2=clf.predict([[test_x2, test_y2]])print('预测结果：',Z1)#显示预测结果print('预测结果：',Z2)#显示预测结果plt.show()
【执行结果】
预测结果： [0]
预测结果： [1]
【结果分析】
在上图中，用了4种颜色的圆点和三条直线，他们分别表示如下：
浅色点：地主1的建筑物
紫色点：地主2的建筑物
蓝色点：地主1和地主2相邻的关键建筑物
黄色点：预测点1
绿色点：预测点2
实体直线：最终的分界线，即楚河汉界的分界线，直线下方是地主1的地盘，直线上方是地主2的地盘。
虚线：关键点连成的直线，他们到分界线是等距的。
我们看到预测结果，黄点预测结果显示0，表示它在地主1的地盘；绿点预测结果显示1，表示它在地主2的地盘。
当然我们从肉眼也可以判断本次预测结果是对的。
