在機器學習領域，支援向量機SVM(Support Vector Machine)是一個有監督的學習模型，通常用來進行模式識別、分類(異常值檢測)以及迴歸分析。

   其具有以下特徵：

   (1)SVM可以表示為凸優化問題，因此可以利用已知的有效演算法發現目標函式的全域性最小值。而其他分類方法都採用一種基於貪心學習的策略來搜尋假設空間，這種方法一般只能獲得區域性最優解。

  (2) SVM通過最大化決策邊界的邊緣來實現控制模型的能力。儘管如此，使用者必須提供其他引數，如使用核函式型別和引入鬆弛變數等。

from sklearn import svm

import numpy as np
import matplotlib.pyplot as plt

#準備訓練樣本
x=[[1,8],[3,20],[1,15],[3,35],[5,35],[4,40],[7,80],[6,49]]
y=[1,1,-1,-1,1,-1,-1,1]

##開始訓練
clf=svm.SVC()  ##預設引數：kernel='rbf'
clf.fit(x,y)

##根據訓練出的模型繪製樣本點
for i in x:
    res=clf.predict(np.array(i).reshape(1, -1))
    
 
if res > 0:
        plt.scatter(i[0],i[1],c='r',marker='*')
    else :
        plt.scatter(i[0],i[1],c='g',marker='*')

##生成隨機實驗資料(15行2列)
rdm_arr=np.random.randint(1, 15, size=(15,2))
##回執實驗資料點
for i in rdm_arr:
    res=clf.predict(np.array(i).reshape(1, -1))
    if res > 0:
        plt.scatter(i[0],i[
 
1],c='r',marker='.')
    else :
        plt.scatter(i[0],i[1],c='g',marker='.')
##顯示繪圖結果
plt.show()

  從圖上可以看出，資料明顯被藍色分割線分成了兩類。但是紅色箭頭標示的點例外，所以這也起到了檢測異常值的作用。

上面的程式碼中提到了kernel='rbf',這個引數是SVM的核心：核函式

        重新整理後的程式碼如下：   

from sklearn import svm
import numpy as np
import matplotlib.pyplot as plt

##設定子圖數量
fig, axes = plt.subplots(nrows=2, ncols=2,figsize=(7,7))
ax0, ax1, ax2, ax3 = axes.flatten()

#準備訓練樣本
x=[[1,8],[3,20],[1,15],[3,35],[5,35],[4,40],[7,80],[6,49]]
y=[1,1,-1,-1,1,-1,-1,1]
'''
    說明1：
       核函式(這裡簡單介紹了sklearn中svm的四個核函式，還有precomputed及自定義的)
        
    LinearSVC：主要用於線性可分的情形。引數少，速度快，對於一般資料，分類效果已經很理想
    RBF:主要用於線性不可分的情形。引數多，分類結果非常依賴於引數
    polynomial:多項式函式,degree 表示多項式的程度-----支援非線性分類
    Sigmoid：在生物學中常見的S型的函式，也稱為S型生長曲線

    說明2：根據設定的引數不同，得出的分類結果及顯示結果也會不同
    
'''
##設定子圖的標題
titles = ['LinearSVC (linear kernel)',  
          'SVC with polynomial (degree 3) kernel',  
          'SVC with RBF kernel',      ##這個是預設的
          'SVC with Sigmoid kernel']
##生成隨機試驗資料(15行2列)
rdm_arr=np.random.randint(1, 15, size=(15,2))

def drawPoint(ax,clf,tn):
    ##繪製樣本點
    for i in x:
        ax.set_title(titles[tn])
        res=clf.predict(np.array(i).reshape(1, -1))
        if res > 0:
           ax.scatter(i[0],i[1],c='r',marker='*')
        else :
           ax.scatter(i[0],i[1],c='g',marker='*')
     ##繪製實驗點
    for i in rdm_arr:
        res=clf.predict(np.array(i).reshape(1, -1))
        if res > 0:
           ax.scatter(i[0],i[1],c='r',marker='.')
        else :
           ax.scatter(i[0],i[1],c='g',marker='.')

if __name__=="__main__":
    ##選擇核函式
    for n in range(0,4):
        if n==0:
            clf = svm.SVC(kernel='linear').fit(x, y)
            drawPoint(ax0,clf,0)
        elif n==1:
            clf = svm.SVC(kernel='poly', degree=3).fit(x, y)
            drawPoint(ax1,clf,1)
        elif n==2:
            clf= svm.SVC(kernel='rbf').fit(x, y)
            drawPoint(ax2,clf,2)
        else :
            clf= svm.SVC(kernel='sigmoid').fit(x, y)
            drawPoint(ax3,clf,3)
    plt.show()

由於樣本資料的關係，四個核函式得出的結果一致。在實際操作中，應該選擇效果最好的核函式分析。