SVM（Support Vector Machine）支持向量机是建立于统计学习理论上的一种二类分类算法，适合处理具备高维特征的数据集。它对数据的分类有两种模式，一种是线性可分割，另一种是线性不可分割（即非线性分割）。SVM思想是：通过某种核函数，将数据在高维空间里寻找一个最优超平面，能够将两类数据分开。支持向量是距离最优超平面最近的实例，因此有该算法用到的实例数据量相较其他会少巨多的说法，可以研究体会下。
针对不同数据集，不同核函数的分类效果可能完全不一样。可选的核函数有这么几种：
线性函数：形如K(x,y)=x*y这样的线性函数；
多项式函数：形如K(x,y)=[(x·y)+1]^d这样的多项式函数；
径向基函数：形如K(x,y)=exp(-|x-y|^2/d^2）这样的指数函数；
Sigmoid函数：......
SVM的一般流程
（1）收集数据：可以适用任意方法
（2）准备数据：需要数值型数据
（3）分析数据：有助于可视化分割 超平面
（4）训练算法：SVM的大部分时间都源自训练，该过程主要实现两个参数的调优
（5）测试算法：十分简单的计算过程就可以实现
（6）使用算法：几乎所有二类分类问题都可以使用SVM，对多类问题需要对代码做一些修改
简单示例1
import numpy as np
import pylab as pl
from sklearn import svm
x = [[1, 1], [2, 5], [5, 5], [2, 4]]
y = [5, 6, 5,6] #对应x的分类标记
clf = svm.SVC(kernel= 'linear') #线性核函数
clf.fit(x, y)
print clf
print clf.support_vectors_ #支持向量
print clf.support_ #支持向量是哪几个(下标)
print clf.n_support_ #每一类中有几个支持向量
print clf.predict([[4, 4]]) #测试数据
输出：
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0,
decision_function_shape='ovr', degree=3, gamma='auto', kernel='linear',
max_iter=-1, probability=False, random_state=None, shrinking=True,
tol=0.001, verbose=False)
[[1. 1.]
[5. 5.]
[2. 4.]]
[0 2 3]
[2 1]
[5]
简单示例2
import numpy as np
import pylab as pl
from sklearn import svm
#生成随机点数据集
np.random.seed(0)
x = np.r_[np.random.randn(5, 2) - [2, 2], np.random.randn(5, 2) + [2, 2]]
y = [0] *5 +[1] * 5
print x
print y
clf2 = svm.SVC(kernel='linear')
clf2.fit(x, y)
print clf2.support_
print clf2.support_vectors_
#画出散点图
#画出支持向量的点，参数：x，y，大小
pl.scatter(clf2.support_vectors_[:, 0],clf2.support_vectors_[:, 1],s=100)
#画出全部的点，参数：x，y，颜色，colormap，形状
pl.scatter(x[:, 0],x[:, 1],c=y,cmap=pl.cm.Paired,marker='o')
pl.axis('tight')
pl.savefig('LinearSVC.png')
pl.show()
输出：
LinearSVC.png图片粘贴失败，程序运行看吧。
整体了解：
https://blog.csdn.net/v_july_v/article/details/7624837 （SVM的三层境界！！！）
代码示例：
https://blog.csdn.net/qq_23534759/article/details/79057808 示例数据sklearn-knn，可以比较两种算法