svm的python怎么画

要使用Python绘制支持向量机（SVM）的图像，你可以按照以下步骤进行：

1. 导入必要的库。

2. 创建虚拟数据集。

3. 划分数据集为训练集和测试集。

4. 训练SVM模型。

5. 获取分隔超平面和支持向量。

6. 绘制分隔超平面和支持向量。

下面是一个简单的示例代码，展示了如何使用Python绘制一个线性核SVM的图像：

 import numpy as np import matplotlib.pyplot as plt from sklearn import svm 创建虚拟数据集 np.random.seed（0） X = np.r_[np.random.randn（20, 2） - [2, 2], np.random.randn（20, 2） + [2, 2]] Y = * 20 + * 20 划分数据集为训练集和测试集（这里省略了这一步，直接训练模型） X_train, X_test, y_train, y_test = train_test_split（X, Y, test_size=0.3, random_state=42） 训练SVM模型 clf = svm.SVC（kernel='linear'） clf.fit（X, Y） 获取分隔超平面和支持向量 w = clf.coef_ a = -w / w xx = np.linspace（-5, 5） yy = a * xx - （clf.intercept_） / w 绘制分隔超平面 plt.plot（xx, yy, 'k-'） 绘制通过支持向量的平行线 b = clf.support_vectors_ yy_down = a * xx + （b - a * b） b = clf.support_vectors_[-1] yy_up = a * xx + （b - a * b） plt.plot（xx, yy_down, 'k--'） plt.plot（xx, yy_up, 'k--'） 绘制支持向量 plt.scatter（b, b, c='red', marker='x'） plt.scatter（clf.support_vectors_[:, 0][Y == 0], clf.support_vectors_[:, 1][Y == 0], c='blue', marker='o'） plt.scatter（clf.support_vectors_[:, 0][Y == 1], clf.support_vectors_[:, 1][Y == 1], c='green', marker='s'） 设置坐标轴范围 plt.xlim（-5, 5） plt.ylim（-5, 5） 显示图像 plt.show（） 

这段代码首先生成了一个线性可分的数据集，然后用线性核训练了一个SVM模型。之后，它计算了分隔超平面，并绘制了分隔超平面以及通过支持向量的两条平行线。最后，它标记了支持向量以及不同类别的数据点。

请注意，这个示例使用了线性核，但你可以通过改变`kernel`参数来尝试不同的核函数，如`poly`、`rbf`或`sigmoid`。