使用支持向量机

支持向量机是试图在两个标记的点集之间传递（可能是高维的）超平面的算法族，使得点与平面的距离在某种意义上是最佳的。SVM 可用于分类或回归（分别对应于 sklearn.svm.SVC和 sklearn.svm.SVR ）。

例：

假设我们在 2D 空间中工作。首先，我们创建一些数据：

import numpy as np

现在我们创建 x 和 y ：

x0, x1 = np.random.randn(10, 2), np.random.randn(10, 2) + (1, 1)
x = np.vstack((x0, x1))

y = [0] * 10 + [1] * 10

注意， x 由两个高斯组成：一个以 （0,0） 为中心，一个以 （1,1） 为中心。

要构建分类器，我们可以使用：

from sklearn import svm

svm.SVC(kernel='linear').fit(x, y)

让我们检查 （0,0） 的预测 ：

>>> svm.SVC(kernel='linear').fit(x, y).predict([[0, 0]])
array([0])

预测是该类为 0。

对于回归，我们可以类似地做：

svm.SVR(kernel='linear').fit(x, y)