對於支援向量機，我看了好久也沒能看的很明白，裡面的理論有點多。所以呢，只能用sklearn來跑跑svm模型了。。

下面是程式碼：（svm支援多類別分類，所以這次還使用iris的資料）

from sklearn import  svm

from sklearn.datasets import  load_iris

from sklearn.model_selection import train_test_split

datas = load_iris()
# print(datas)
data_x = datas.data
data_y = datas.target
# print(data_x)
 


#print(data_y)

x_train,x_test,y_train,y_test = train_test_split(data_x,data_y,test_size=0.3)

clf = svm.SVC()#預設核函式是高斯核
# print(clf)
clf = clf.fit(x_train,y_train)
print(clf.predict(x_test))
print(y_test)

對於svm.SVC引數的設定:

sklearn中的SVC函式是基於libsvm實現的，所以在引數設定上有很多相似的地方。（PS: libsvm中的二次規劃問題的解決演算法是SMO）。
對於SVC函式的引數解釋如下：（主要參考的sklearn 文件）
C: float引數 預設值為1.0
錯誤項的懲罰係數。C越大，即對分錯樣本的懲罰程度越大，因此在訓練樣本中準確率越高，但是泛化能力降低，也就是對測試資料的分類準確率降低。相反，減小C的話，容許訓練樣本中有一些誤分類錯誤樣本，泛化能力強。對於訓練樣本帶有噪聲的情況，一般採用後者，把訓練樣本集中錯誤分類的樣本作為噪聲。

kernel: str引數 預設為‘rbf’
演算法中採用的核函式型別，可選引數有：
‘linear’:線性核函式
‘poly’：多項式核函式
‘rbf’：徑像核函式/高斯核
‘sigmod’:sigmod核函式
‘precomputed’:核矩陣
precomputed表示自己提前計算好核函式矩陣，這時候演算法內部就不再用核函式去計算核矩陣，而是直接用你給的核矩陣。核矩陣為如下形式：

還有一點需要說明，除了上面限定的核函式外，還可以給出自己定義的核函式，其實內部就是用你自己定義的核函式來計算核矩陣。

degree: int型引數 預設為3
這個引數只對多項式核函式有用，是指多項式核函式的階數n
如果給的核函式引數是其他核函式，則會自動忽略該引數。

gamma: float引數 預設為auto
核函式係數，只對‘rbf’,‘poly’,‘sigmod’有效。
如果gamma為auto，代表其值為樣本特徵數的倒數，即1/n_features.

coef0: float引數 預設為0.0
核函式中的獨立項，只有對‘poly’和‘sigmod’核函式有用，是指其中的引數c

probability： bool引數 預設為False
是否啟用概率估計。 這必須在呼叫fit()之前啟用，並且會fit()方法速度變慢。

shrinking： bool引數 預設為True
是否採用啟發式收縮方式

tol: float引數 預設為1e^-3
svm停止訓練的誤差精度
cache_size： float引數 預設為200
指定訓練所需要的記憶體，以MB為單位，預設為200MB。
class_weight： 字典型別或者‘balance’字串。預設為None
給每個類別分別設定不同的懲罰引數C，如果沒有給，則會給所有類別都給C=1，即前面引數指出的引數C.
如果給定引數‘balance’，則使用y的值自動調整與輸入資料中的類頻率成反比的權重。
verbose ： bool引數 預設為False
是否啟用詳細輸出。 此設定利用libsvm中的每個程序執行時設定，如果啟用，可能無法在多執行緒上下文中正常工作。一般情況都設為False，不用管它。
max_iter ： int引數 預設為-1
最大迭代次數，如果為-1，表示不限制
random_state： int型引數 預設為None
偽隨機數發生器的種子,在混洗資料時用於概率估計。
★fit() 方法：用於訓練SVM，具體引數已經在定義SVC物件的時候給出了，這時候只需要給出資料集X和X對應的標籤y即可。
★predict() 方法: 基於以上的訓練，對預測樣本T進行類別預測，因此只需要接收一個測試集T，該函式返回一個數組表示個測試樣本的類別。