第九章主要是對支援向量機（SVM）的應用，應用領域是水質評價，即利用支援向量機對影象資料進行訓練，從而對水質類別進行分類。
關於支援向量機的理論內容，支援向量機通俗導論（理解SVM的三層境界）這篇文章講得非常詳細，博主主要對書中的實戰部分進行整理。
首先，對資料進行匯入，並構造特徵和標籤。
程式碼如下：

#-*- coding:utf-8 -*-
import pandas as pd
import numpy as np
inputfile='D:/ProgramData/PythonDataAnalysiscode/chapter9/demo/data/moment.csv'
data=pd.read_csv(inputfile
 
,encoding='gbk')
data=data.take(np.random.permutation(len(data)))
data=data.as_matrix()
data_train=data[:int(0.8*len(data)),:]
data_test=data[int(0.8*len(data)):,:]

#構造特徵和標籤
x_train=data_train[:,2:]*30
y_train=data_train[:,0].astype(int)
x_test=data_test[:,2:]*30
y_test=data_test[:,0].astype(int)

值得一提的是，原書中，打亂資料用的是random.shuffle，經過實踐，此函式打亂後的資料並不是我們想要的結果。此處應該用以下三種方法來打亂資料：

【data.sample(frac=1)】
【from sklearn.utils import shuffle
shuffle(data)】
【data.take(np.random.permutation(len(data)))】

然後，匯入演算法，訓練模型。
程式碼如下：

#匯入模型相關的函式，建立並訓練模型
from sklearn import svm
model=svm.SVC()
model.fit(x_train,y_train)
import pickle
#儲存模型
pickle.dump(model,open('D:/ProgramData/PythonDataAnalysiscode/chapter9/demo/data/svm.model'
 
,'wb'))

最後，對測試集資料進行預測，並畫出訓練資料和測試資料預測的混淆矩陣圖。
書中並沒有對預測結果的混淆矩陣進行視覺化，博主參照其他資料，將混淆矩陣繪圖函式程式碼記錄如下：

import matplotlib.pyplot as plt
import itertools
def plot_confusion_matrix(cm, classes,
                          normalize=False,
                          title='Confusion matrix',
                          cmap=plt.cm.Blues):
    """
    This function prints and plots the confusion matrix.
    Normalization can be applied by setting `normalize=True`.
    """
    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)

    if normalize:
        cm = cm.astype('float') / cm.sum(axis=1)[:, np.newaxis]

    thresh = cm.max() / 2.
    for i, j in itertools.product(range(cm.shape[0]), range(cm.shape[1])):
        plt.text(j, i, cm[i, j],
                 horizontalalignment="center",
                 color="white" if cm[i, j] > thresh else "black")

    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')

具體混淆矩陣執行程式碼如下：

from sklearn import metrics
cm_train=metrics.confusion_matrix(y_train,model.predict(x_train))
cm_test=metrics.confusion_matrix(y_test,model.predict(x_test))
fig=plt.figure(figsize=(10,5))
ax=fig.add_subplot(121)
plot_confusion_matrix(cm_train,classes=range(5),title='Confusion matrix on train-set')
ax=fig.add_subplot(122)
plot_confusion_matrix(cm_test,classes=range(5),title='Confusion matrix on test-set')
plt.show()

輸出結果如下圖：

支援向量機在訓練集上的準確率有93.3%，但其在測試集上的準確率卻只有79.5%。說明模型方差較大，可能存在過擬合。
但是由於我們前面將資料進行了打亂，因此每一次執行的結果都有所不同，經幾次執行，在測試集上的準確率最高的達到92.68%，這應該與資料量的限制有關係。
這說明支援向量機模型對於水質評價分類效果較好，但是資料量太少，需要更多的資料，這樣才能得到更為穩定的結果。
最後，這一章的實踐較為簡單，但支援向量機的理論部分還是需要好好理解，其應用還是非常廣泛的。