示例代碼：
import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm
from sklearn.datasets import make_blobs
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score, classification_report# 設置中文字體支持
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'KaiTi', 'SimSun'] # 使用系統自帶字體
plt.rcParams['axes.unicode_minus'] = False # 解決負號顯示問題
# 1. 生成模擬數據
X, y = make_blobs(n_samples=100, centers=2,random_state=6, cluster_std=1.2)
print("這是X")
print(X)
print("這是y")
print(y)
# 2. 劃分訓練集和測試集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)# 3. 創建SVM分類器（使用線性核）
clf = svm.SVC(kernel='linear', C=1.0)
clf.fit(X_train, y_train)# 4. 預測測試集
y_pred = clf.predict(X_test)print(y_pred)
print(y_test)# 5. 評估模型性能
print(f"測試集準確率: {accuracy_score(y_test, y_pred):.2f}")
print("\n分類報告:")
print(classification_report(y_test, y_pred))# 6. 可視化結果
plt.figure(figsize=(10, 6))# 繪制訓練數據
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train,cmap='coolwarm', edgecolors='k', label='訓練數據')# 繪制測試數據
plt.scatter(X_test[:, 0], X_test[:, 1], c=y_test,cmap='coolwarm', marker='s', s=100,edgecolors='k', alpha=0.7, label='測試數據')# 繪制決策邊界
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()# 創建網格評估模型
xx = np.linspace(xlim[0], xlim[1], 30)
yy = np.linspace(ylim[0], ylim[1], 30)
YY, XX = np.meshgrid(yy, xx)
xy = np.vstack([XX.ravel(), YY.ravel()]).T
Z = clf.decision_function(xy).reshape(XX.shape)# 繪制決策邊界和間隔
ax.contour(XX, YY, Z, colors='k', levels=[-1, 0, 1],alpha=0.5, linestyles=['--', '-', '--'])
ax.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1],s=100, linewidth=1, facecolors='none',edgecolors='k', label='支持向量')plt.title('SVM分類結果可視化')
plt.xlabel('特征1')
plt.ylabel('特征2')
plt.legend()
plt.grid(True, linestyle='--', alpha=0.7)
plt.show()可視化結果：
資料來源于：周志華-機器學習，如有侵權請聯系刪除
)
