对于支持向量机，我看了好久也没能看的很明白，里面的理论有点多。所以呢，只能用sklearn来跑跑svm模型了。。
下面是代码：（svm支持多类别分类，所以这次还使用iris的数据）
from sklearn import svm
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
datas = load_iris()
# print(datas)
data_x = datas.data
data_y = datas.target
# print(data_x)
#print(data_y)
x_train,x_test,y_train,y_test = train_test_split(data_x,data_y,test_size=0.3)
clf = svm.SVC()#默认核函数是高斯核
# print(clf)
clf = clf.fit(x_train,y_train)
print(clf.predict(x_test))
print(y_test)
对于svm.SVC参数的设置:
sklearn中的SVC函数是基于libsvm实现的，所以在参数设置上有很多相似的地方。（PS: libsvm中的二次规划问题的解决算法是SMO）。
对于SVC函数的参数解释如下：（主要参考的sklearn 文档）
C: float参数 默认值为1.0
错误项的惩罚系数。C越大，即对分错样本的惩罚程度越大，因此在训练样本中准确率越高，但是泛化能力降低，也就是对测试数据的分类准确率降低。相反，减小C的话，容许训练样本中有一些误分类错误样本，泛化能力强。对于训练样本带有噪声的情况，一般采用后者，把训练样本集中错误分类的样本作为噪声。
kernel: str参数 默认为‘rbf’
算法中采用的核函数类型，可选参数有：
‘linear’:线性核函数
‘poly’：多项式核函数
‘rbf’：径像核函数/高斯核
‘sigmod’:sigmod核函数
‘precomputed’:核矩阵
precomputed表示自己提前计算好核函数矩阵，这时候算法内部就不再用核函数去计算核矩阵，而是直接用你给的核矩阵。核矩阵为如下形式：
还有一点需要说明，除了上面限定的核函数外，还可以给出自己定义的核函数，其实内部就是用你自己定义的核函数来计算核矩阵。
degree: int型参数 默认为3
这个参数只对多项式核函数有用，是指多项式核函数的阶数n
如果给的核函数参数是其他核函数，则会自动忽略该参数。
gamma: float参数 默认为auto
核函数系数，只对‘rbf’,‘poly’,‘sigmod’有效。
如果gamma为auto，代表其值为样本特征数的倒数，即1/n_features.
coef0: float参数 默认为0.0
核函数中的独立项，只有对‘poly’和‘sigmod’核函数有用，是指其中的参数c
probability： bool参数 默认为False
是否启用概率估计。 这必须在调用fit()之前启用，并且会fit()方法速度变慢。
shrinking： bool参数 默认为True
是否采用启发式收缩方式
tol: float参数 默认为1e^-3
svm停止训练的误差精度
cache_size： float参数 默认为200
指定训练所需要的内存，以MB为单位，默认为200MB。
class_weight： 字典类型或者‘balance’字符串。默认为None
给每个类别分别设置不同的惩罚参数C，如果没有给，则会给所有类别都给C=1，即前面参数指出的参数C.
如果给定参数‘balance’，则使用y的值自动调整与输入数据中的类频率成反比的权重。
verbose ： bool参数 默认为False
是否启用详细输出。 此设置利用libsvm中的每个进程运行时设置，如果启用，可能无法在多线程上下文中正常工作。一般情况都设为False，不用管它。
max_iter ： int参数 默认为-1
最大迭代次数，如果为-1，表示不限制
random_state： int型参数 默认为None
伪随机数发生器的种子,在混洗数据时用于概率估计。
★fit() 方法：用于训练SVM，具体参数已经在定义SVC对象的时候给出了，这时候只需要给出数据集X和X对应的标签y即可。
★predict() 方法: 基于以上的训练，对预测样本T进行类别预测，因此只需要接收一个测试集T，该函数返回一个数组表示个测试样本的类别。