使用支援向量機

支援向量機是試圖在兩個標記的點集之間傳遞（可能是高維的）超平面的演算法族，使得點與平面的距離在某種意義上是最佳的。SVM 可用於分類或迴歸（分別對應於 sklearn.svm.SVC和 sklearn.svm.SVR ）。

例：

假設我們在 2D 空間中工作。首先，我們建立一些資料：

import numpy as np

現在我們建立 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 由兩個高斯組成：一個以 （0,0） 為中心，一個以 （1,1） 為中心。

要構建分類器，我們可以使用：

from sklearn import svm

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

讓我們檢查 （0,0） 的預測 ：

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

預測是該類為 0。

對於迴歸，我們可以類似地做：

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