概述：現在就只知道這個svm可以畫出決策邊界，對數據的劃分。簡單舉例就是：好的和壞的數據分開，中間的再驗證

from sklearn.datasets import make_blobs
from sklearn.svm import SVC
import matplotlib.pyplot as plt
import numpy as np# 1. 生成數據
X, y = make_blobs(n_samples=50,       # 50個樣本centers=2,          # 2個類別（二分類）random_state=0,     # 固定隨機種子cluster_std=0.6     # 控制數據點的分散程度
)   # X是樣本，y是標簽# 2. 訓練線性SVM
model = SVC(kernel='linear').fit(X, y)# 3. 繪制數據點
plt.scatter(X[:, 0], X[:, 1], c=y, s=50, cmap="rainbow")  # 按類別著色# 4. 繪制決策邊界和支持向量間隔
ax = plt.gca()  # 獲取當前坐標軸
xlim = ax.get_xlim()  # 獲取x軸范圍
ylim = ax.get_ylim()  # 獲取y軸范圍# 生成網格點（用于繪制決策邊界）
xx, yy = np.meshgrid(np.linspace(xlim[0], xlim[1], 50),  # x軸50個點np.linspace(ylim[0], ylim[1], 50)   # y軸50個點
)   # 分成50分畫網格# 計算決策函數值（SVM的間隔）
Z = model.decision_function(np.c_[xx.ravel(), yy.ravel()]).reshape(xx.shape)    # 計算決策值并重塑為網格矩陣# 繪制決策邊界（黑色實線）和間隔邊界（黑色虛線）
ax.contour(xx, yy, Z,colors='k',levels=[-1, 0, 1],  # 0是決策邊界，±1是支持向量間隔alpha=0.5,          # 透明度linestyles=['--', '-', '--']  # 虛線-實線-虛線
)# 5. 標記支持向量（SVM的關鍵數據點）
ax.scatter(model.support_vectors_[:, 0],  # 支持向量的x坐標model.support_vectors_[:, 1],  # 支持向量的y坐標s=100,                        # 點的大小facecolors='none',            # 空心點edgecolors='k',               # 黑色邊框linewidths=1.5                # 邊框寬度
)plt.title("SVM Decision Boundary with Support Vectors")
plt.show()print(Z)