import numpy as np
import pylab as pl #画图用
from sklearn import svm
#随机生成两组二位数据
np.random.seed(0)#使每次产生随机数不变
X = np.r_[np.random.randn(20,2)-[2,2],np.random.randn(20,2)+[2,2]]#注意这里np.r_[],而不是np.r_（）我都打错了，会报错TypeError: ‘RClass’ object is not callable
#np.r_是按列连接两个矩阵，就是把两矩阵上下相加，要求列数相等，np.c_是按行连接两个矩阵，就是把两矩阵左右相加，要求行数相等
Y = [0] * 20+[1] * 20#Python原来可以这么简单的创建重复的列表呀
print(X)
print(‘123’)
print(Y)
clf=svm.SVC(kernel=‘linear’)
clf.fit(X,Y)
w=clf.coef_[0]
a=-w[0]/w[1]
xx=np.linspace(-5,5)#产生-5到5的线性连续值，间隔为1
yy=axx-(clf.intercept_[0])/w[1] #clf.intercept_[0]是w3.即为公式a1x1+a2*x2+w3中的w3。(clf.intercept_[0])/w[1]即为直线的截距
#得出支持向量的方程
b=clf.support_vectors_[0]
yy_down=axx+(b[1]-ab[0])#(b[1]-ab[0])就是简单的算截距
b=clf.support_vectors_[-1]
yy_up=axx+(b[1]-a*b[0])
print(“w:”,w) #打印出权重系数
print(“a:”,a) #打印出斜率
print(“suport_vectors_:”,clf.support_vectors_)#打印出支持向量
print(“clf.coef_:”,clf.coef_) #打印出权重系数，还是w
#这个就是画出来而已。很简单，也不太常用，都用matplotlib去了。不多说了
pl.plot(xx,yy,‘k-’)
pl.plot(xx,yy_down,‘r–’)
pl.plot(xx,yy_up,‘b–’)
pl.scatter(clf.support_vectors_[:,0],clf.support_vectors_[:,1],c=‘r’,s=80,facecolors=‘none’)
pl.scatter(X[:,0],X[:,1],c=Y,cmap=pl.cm.Paired)
pl.axis(‘tight’)
pl.show()
注：
学习时，注意观察clf.coef，clf.support_vectors_，还有分割线，上下分割线yy_down，yy_up，yy的建立。
clf.coef：指的是a1x1+a2x2+w3=0中的[a1,a2]
w=clf.coef_[0]
a=-w[0]/w[1]可以求出斜率k=a
clf.support_vectors_：指的是X,Y中的数据那些事支持向量机，也就是X,Y中的数据，只是他现在是向量机，如下图的红点。
yy=axx-(clf.intercept_[0])/w[1] #clf.intercept_[0]是w3.即为公式a1x1+a2*x2+w3中的w3。(clf.intercept_[0])/w[1]即为直线的截距
yy_down=axx+(b[1]-ab[0]):a为斜率，b[1]&b[0]为直线上的点，所以可以求出b=(b[1]-a*b[0])
yy_up:同上