基于源代碼：《機器學習——支持向量機SVM之python實現簡單實例一》進行講解

1、線性模型

這里以二特征三類，一對多策略為案例

kernel = “linear”：線性核，參數有w，b

線性模型的決策邊界是：w0iTx0i + w1iTx1i + bi = 0

注：w0iTx0i + w1iTx1i + bi = 1和w0iTx0i + w1iTx1i + bi = -1是穿過支持向量的決策面，邊界

i的大小由類別的個數決定，i = n,說明決策函數有n個，因此查看參數的時候，w為一個nx2的數組，2代表的是特征的個數

classifier=svm.SVC(C=100,kernel='linear',gamma=100,decision_function_shape='ovr') # ovr:一對多策略
classifier.coef_#參數w
#[[-6.28425012  5.14207649][-8.45820407  6.92112224][-0.99813811 -2.00212539]]
classifier.intercept_#參數b
# [-0.07076934 -0.08011805  0.12861107]

圖中實線為分界面，虛線為決策邊界，穿過支持向量的邊界

#繪制邊界和分界面
def plot_boundary(w,b):plot_x1 = np.linspace(x[:, 0].min(), x[:, 0].max(), 200)#分界面w0x0 + w1x1 + b = 0plot_x21 = -w[0][0] / w[0][1] * plot_x1 - b[0] / w[0][1]plot_x31 = -w[1][0] / w[1][1] * plot_x1 - b[1] / w[1][1]plot_x41 = -w[2][0] / w[2][1] * plot_x1 - b[2] / w[2][1]#上邊界w0x0 + w1x1 + b = 1plot_up_x21 = -w[0][0] / w[0][1] * plot_x1 - b[0] / w[0][1] + 1/w[0][1]plot_up_x31 = -w[1][0] / w[1][1] * plot_x1 - b[1] / w[1][1] + 1/w[1][1]plot_up_x41 = -w[2][0] / w[2][1] * plot_x1 - b[2] / w[2][1] + 1/w[2][1]#下邊界w0x0 + w1x1 + b = -1plot_down_x21 = -w[0][0] / w[0][1] * plot_x1 - b[0] / w[0][1] - 1/w[0][1]plot_down_x31 = -w[1][0] / w[1][1] * plot_x1 - b[1] / w[1][1] - 1/w[1][1]plot_down_x41 = -w[2][0] / w[2][1] * plot_x1 - b[2] / w[2][1] - 1/w[2][1]#分界面plt.plot(plot_x1, plot_x21, c="black")plt.plot(plot_x1, plot_x31, "r")plt.plot(plot_x1, plot_x41, c="b")#上邊界plt.plot(plot_x1, plot_up_x21, "g--")plt.plot(plot_x1, plot_up_x31, "r--")plt.plot(plot_x1, plot_up_x41, "b--")#上邊界plt.plot(plot_x1, plot_down_x21, "g--")plt.plot(plot_x1, plot_down_x31, "r--")plt.plot(plot_x1, plot_down_x41, "b--")plot_boundary(w,b)

其中：

w=ceof_: 
[[-6.28425012  5.14207649][-8.45820407  6.92112224][-0.99813811 -2.00212539]]
b=intercept_: 
[17.45202353 23.14272776 11.8943489 ]

2、非線性模型

非線性模型使用的是高斯核，kernel = “rbf”，參數有：b

,w不需要計算

classifier=svm.SVC(C=100,kernel='rbf',gamma=100,decision_function_shape='ovr') # ovr:一對多策略
classifier.intercept_#參數b
# [-0.07076934 -0.08011805  0.12861107]

?