简介
支持向量机（Support Vector Machine）作为机器学习中最常用的算法之一，有着非常强大的性能。
SVM既可以用来分类，即SVC（Support Vector Classifier）；也可以用来预测（回归），那就是SVR（Support Vector Regression）。sklearn中的svm模块中同时集成了SVC和SVR。
SVC，中文可称做支持向量机分类器，也被称做最大化类间间隔分类器（maximum margin classifier），这是一种较为直观的理解（如下图的L2），也是最为人们所熟悉的对于SVM的理解。
通俗的来说，SVM在拟合过程中，会根据训练样本的分布，搜索所有可能的线性分类器中最佳的那个，进一步观察我们可以发现，决定其直线位置的样本并不是所有的训练数据，而是其中两个空间间隔最小的两个不同类别的数据点，我们把这种可以用来真正帮助决策最优线性分类模型的数据点叫做** 支持向量 **。
OK，简介到此结束，下面我们进入实战环节！
代码实战
数据来源：Scikit-learn内部集成的手写数字图片数据集
目标：将数据集中的8x8像素的图片识别为0-9的数字
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC
from sklearn.metrics import classification_report
#获取数据并打印其大小
digits = datasets.load_digits()
print('原始数据矩阵大小：', digits.data.shape)
# OUTPUT:(1797,64),共有1797个样本，每个样本为8x8像素
#分割数据为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target,
test_size=0.25, random_state=33)
#查看训练集大小，测试集分布
print('训练集样本数量：', y_train.shape)
print('测试集数据类别分布：\n', pd.Series(y_test).value_counts())
#将数据标准化
ss = StandardScaler()
X_train = ss.fit_transform(X_train)
X_test = ss.fit_transform(X_test)
#拟合并根据模型预测数据
lsvc = LinearSVC()
lsvc.fit(X_train, y_train)
y_predict = lsvc.predict(X_test)
#输出分类结果
print('The Accuracy of LinearSVC is:', lsvc.score(X_test, y_test))
print(classification_report(y_test, y_predict, target_names=digits.target_names.astype(str)))
小结
通过上述输出结果可以发现，SVC模型的确能够提供比较高的手写体数字识别性能，平均而言，各项指标都在95%上下。
通过结果的P,R,F1可以发现，SVC使用的是1 vs all算法
SVC由于其精妙的模型假设，可帮助我们在海量甚至高维度的数据中，筛选对预测任务最有效的少数训练样本，既节约了内存，也提高了模型性能。
然而代价就是付出更大的计算代价（CPU和计算时间），因此在实际使用时应当权衡其利弊再选择适合的模型