# sklearn 庫中匯入 svm 模組
from sklearn import svm

# 定義三個點和標籤
X = [[2, 0], [1, 1], [2,3]]
y = [0, 0, 1]
# 定義分類器，clf 意為 classifier，是分類器的傳統命名
clf = svm.SVC(kernel = 'linear')  # .SVC（）就是 SVM 的方程，引數 kernel 為線性核函式
# 訓練分類器
clf.fit(X, y)  # 呼叫分類器的 fit 函式建立模型（即計算出劃分超平面，且所有相關屬性都儲存在了分類器 cls 裡）

# 列印分類器 clf 的一系列引數
print (clf)

# 支援向量
print (clf.support_vectors_)

# 屬於支援向量的點的 index
print (clf.support_)

# 在每一個類中有多少個點屬於支援向量
print (clf.n_support_)

# 預測一個新的點
print (clf.predict([[2,0]]))

SVC(C=1.0, break_ties=False, cache_size=200, class_weight=None, coef0=0.0,
    decision_function_shape='ovr', degree=3, gamma='scale', kernel='linear',
    max_iter=-1, probability=False, random_state=None, shrinking=True,
    tol=0.001, verbose=False)
[[1. 1.]
 [2. 3.]]
[1 2]
[1 1]
[0]