一、实验要求
在计算机上验证和测试莺尾花数据的支持向量机分类实验，sklearn的支持向量机分类算法。
二、实验目的
1、掌握支持向量机的原理
2、能够理解支持向量机分类算法；
3、掌握sklearn的支持向量机分类算法；
三、实验内容
实验步骤
1.请参考LinearSVC.pdf文档，将莺尾花的数据替换为make_blobs自动生成两个测试数据集（一个是两个类别数据完全分离，另一个是两个类别数据有很少部分的交叉），对比KNN,贝叶斯，决策树，随机森林还有LinearSVC的分界边界线的区别。
数据集：区分度较大与稍有交叉的数据集
 |
 |
KNN：较好区分不同类别
 |
 |
贝叶斯：较为平滑
 |
 |
决策树：较为平滑
 |
 |
随机森林：个体影响比决策树大
 |
 |
Svc：区分不明显
 |
 |
2.请详细测试LinearSVC中的C超参数对分类分界边界线的影响。
C=0.01：
C=30:
C=1000:
结论：
3.请同时对比，LinearSVC和SVC，三者在莺尾花数据集，make_blobs生成的数据集，还有makemoons生成的数据集，还有makecircles生成的数据集，对比差异。
数据集显示：
莺尾花数据、 make_blobs生成的数据、 makemoons生成的数据、makecircles生成的数据（从左始）：
 |
 |
三、实验总结
1、当数据分类界限明显且能用直线分割时，可以用LinearSVC；当数据类别分界线呈包围或者半包围状态时，用SVC较好。
2、加强了对sklearn的支持向量机分类算法的理解
本文章只用来分享，其中部分有些参考其他大佬，如有侵权，必删！！！