准备：
数据集
导入SVM模块
python 2.7
步骤：
1.读取数据集
2.划分训练样本与测试样本
3.训练SVM分类器
4.计算分类准确率
5.绘制图像
关于SVM的原理知识，在【机器学习】支持向量机中讲过，欲知详情，可戳：
在Matlab中可以使用工具箱中的svm算法，具体实例在之前的人脸识别matlab实现中讲过，可戳：
因为Python中的sklearn库也集成了SVM算法，所以在Python中一样可以使用支持向量机做分类。
【注意】本文的运行环境是windows+Pycharm+python3.6。
Scikit-Learn库基本实现了所有的机器学习算法，具体使用详见官方文档说明：
http://scikit-learn.org/stable/auto_examples/index.html#support-vector-machines
因为本文是基于sklearn包，所以需先在python中下载sklearn包，网上有很多教程，在此不再叙述。
数据集
本文用的数据集为Iris.data可从UCI数据库中下载，http://archive.ics.uci.edu/ml/datasets/Iris
Iris.data的数据格式如下：共5列，前4列为样本特征，第5列为类别，分别有三种类别Iris-setosa， Iris-versicolor， Iris-virginica。
注意：因为在分类中类别标签必须为数字量，所以应将Iris.data中的第5列的类别（字符串）转换为num.
导入SVM模块
首先在使用SVM时，需先从sklearn包中导入SVM模块。
from sklearn import svm1.读取数据集
#1.读取数据集
path='F:/Python_Project/SVM/data/Iris.data'
data=np.loadtxt(path, dtype=float, delimiter=',', converters={4:Iris_label} )
#converters={4:Iris_label}中“4”指的是第5列：将第5列的str转化为label(number)定义的转换函数为：可实现将类别Iris-setosa， Iris-versicolor， Iris-virginica映射成 0,1,2。
#define converts(字典)
def Iris_label(s):
it={b'Iris-setosa':0, b'Iris-versicolor':1, b'Iris-virginica':2 }
return it[s]读取文件用的是loadtxt函数，其声明如下：
def loadtxt(fname, dtype=float, comments='#', delimiter=None,converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0)常用的参数有：
fname: 文件路径，例 path='F:/Python_Project/SVM/data/Iris.data'
dtype:样本的数据类型 例dtype=float
delimiter：分隔符。例 delimiter=','
converters：将数据列与转换函数进行映射的字典。例 converters={4:Iris_label}含义是将第5列的数据对应转换函数进行转换。
usecols：选取数据的列。
2.划分训练样本与测试样本
#2.划分数据与标签
x,y=np.split(data,indices_or_sections=(4,),axis=1) #x为数据，y为标签
x=x[:,0:2] #为便于后边画图显示，只选取前两维度。若不用画图，可选取前四列x[:,0:4]
train_data,test_data,train_label,test_label =sklearn.model_selection.train_test_split(x,y, random_state=1, train_size=0.6,test_size=0.4) 1. split(数据，分割位置，轴=1（水平分割） or 0（垂直分割）)。
2. sklearn.model_selection.train_test_split随机划分训练集与测试集。train_test_split(train_data,train_label,test_size=数字, random_state=0)
参数解释：
train_data：所要划分的样本特征集
train_label：所要划分的样本类别
test_size：样本占比，如果是整数的话就是样本的数量.(注意：)
-- test_size:测试样本占比。 默认情况下，该值设置为0.25。 默认值将在版本0.21中更改。 只有train_size没有指定时，
它将保持0.25，否则它将补充指定的train_size，例如train_size=0.6,则test_size默认为0.4。
-- train_size:训练样本占比。
random_state：是随机数的种子。
随机数种子：其实就是该组随机数的编号，在需要重复试验的时候，保证得到一组一样的随机数。比如你每次都填1，其他参数一样的情况下你得到的随机数组是一样的。但填0或不填，每次都会不一样。随机数的产生取决于种子，随机数和种子之间的关系遵从以下两个规则：种子不同，产生不同的随机数；种子相同，即使实例不同也产生相同的随机数。
3.训练SVM分类器
#3.训练svm分类器
classifier=svm.SVC(C=2,kernel='rbf',gamma=10,decision_function_shape='ovr') # ovr:一对多策略
classifier.fit(train_data,train_label.ravel()) #ravel函数在降维时默认是行序优先kernel='linear'时，为线性核，C越大分类效果越好，但有可能会过拟合（defaul C=1）。
kernel='rbf'时（default），为高斯核，gamma值越小，分类界面越连续；gamma值越大，分类界面越“散”，分类效果越好，但有可能会过拟合。
decision_function_shape='ovr'时，为one v rest（一对多），即一个类别与其他类别进行划分，
decision_function_shape='ovo'时，为one v one（一对一），即将类别两两之间进行划分，用二分类的方法模拟多分类的结果。
4.计算分类准确率
#4.计算svc分类器的准确率
print("训练集：",classifier.score(train_data,train_label))
print("测试集：",classifier.score(test_data,test_label))结果：
还有另一种计算准确率的方法:
#也可直接调用accuracy_score方法计算准确率
from sklearn.metrics import accuracy_score
tra_label=classifier.predict(train_data) #训练集的预测标签
tes_label=classifier.predict(test_data) #测试集的预测标签
print("训练集：", accuracy_score(train_label,tra_label) )
print("测试集：", accuracy_score(test_label,tes_label) )实际上，classifier.score（）内部也是先predict得到tes_label , 然后调用了accuracy_score(test_label,tes_label)方法来计算准确率的。
可以查看一下内部决策函数，返回的是样本到分类超平面的距离
#查看决策函数
print('train_decision_function:',classifier.decision_function(train_data)) # (90,3)
print('predict_result:',classifier.predict(train_data))（1） 若选用“ovr”(一对多)，则每个样本会产生3个距离值（3为类别种类数）。如下：
(2）若选用“ovo”(一对一)，则每个样本会产生3*（3-1）/2=3 个距离值,即 ：距离值个数=类别数*（类别数-1）/2。结果如下：
5.绘制图像
确定坐标轴范围、字体、背景颜色
#5.绘制图形
#确定坐标轴范围
x1_min, x1_max=x[:,0].min(), x[:,0].max() #第0维特征的范围
x2_min, x2_max=x[:,1].min(), x[:,1].max() #第1维特征的范围
x1,x2=np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j ] #生成网络采样点
grid_test=np.stack((x1.flat,x2.flat) ,axis=1) #测试点
#指定默认字体
matplotlib.rcParams['font.sans-serif']=['SimHei']
#设置颜色
cm_light=matplotlib.colors.ListedColormap(['#A0FFA0', '#FFA0A0', '#A0A0FF'])
cm_dark=matplotlib.colors.ListedColormap(['g','r','b'] )
grid_hat = classifier.predict(grid_test) # 预测分类值
grid_hat = grid_hat.reshape(x1.shape) # 使之与输入的形状相同这里用到了mgrid()函数，该函数的作用这里简单介绍一下：
假设假设目标函数F（x，y）=x+y。x轴范围1~3，y轴范围4~6，当绘制图像时主要分四步进行：
【step1：x扩展】(朝右扩展)：
[1 1 1]
[2 2 2]
[3 3 3]
【step2：y扩展】(朝下扩展)：
[4 5 6]
[4 5 6]
[4 5 6]
【step3：定位（xi，yi）】：
[(1,4) (1,5) (1,6)]
[(2,4) (2,5) (2,6)]
[(3,4) (3,5) (3,6)]
【step4：将（xi，yi）代入F(x,y)=x+y】
因此这里x1, x2 = np.mgrid[x1_min:x1_max:200j, x2_min:x2_max:200j]后的结果为：
再通过stack()函数，axis=1，生成测试点
绘图：
plt.pcolormesh(x1, x2, grid_hat, cmap=cm_light) # 预测值的显示
plt.scatter(x[:, 0], x[:, 1], c=y[:,0], s=30,cmap=cm_dark) # 样本
plt.scatter(test_data[:,0],test_data[:,1], c=test_label[:,0],s=30,edgecolors='k', zorder=2,cmap=cm_dark) #圈中测试集样本点
plt.xlabel('花萼长度', fontsize=13)
plt.ylabel('花萼宽度', fontsize=13)
plt.xlim(x1_min,x1_max)
plt.ylim(x2_min,x2_max)
plt.title('鸢尾花SVM二特征分类')
plt.show() pcolormesh(x,y,z,cmap)这里参数代入x1，x2，grid_hat，cmap=cm_light绘制的是背景。
scatter中edgecolors是指描绘点的边缘色彩，s指描绘点的大小，cmap指点的颜色。
xlim指图的边界。
pcolormesh(x,y,z,cmap)绘制的背景如下：即将坐标系下的点都进行一个分类。
plt.pcolormesh(x1, x2, grid_hat, cmap=cm_light) # 预测值的显示
所有样本点的分类结果：
将测试点从中圈出来：
完整代码如下：
# -*- coding:utf-8 -*-
import matplotlib.pyplot as plt
from sklearn import svm
import numpy as np
import matplotlib
import sklearn
from sklearn.model_selection import train_test_split
import pandas as pd
import sys
reload(sys)
sys.setdefaultencoding('utf-8')
#define converts(字典)
def Iris_label(s):
it = {b'Iris-setosa':0,b'Iris-versicolor':1,b'Iris-virginica':2}
return it[s]
#1.读取数据集
path = u'iris/iris.data' # 数据文件路径
data = np.loadtxt(path,dtype=float,delimiter=',',converters={4:Iris_label})
#converters={4:Iris_label}中“4”指的是第5列：将第五列的str转化为label(number)
#print(data.shape)
#2.划分数据与标签
x,y = np.split(data,indices_or_sections=(4,),axis=1) #x为数据，y为标签
x=x[:,0:2]
train_data,test_data,train_label,test_label = train_test_split(x,y,random_state=1,train_size=0.6,test_size=0.4) #sklearn.model_selection.
# print(train_data.shape)
#3.训练svm分类器
classifier = svm.SVC(C=2,kernel='rbf',gamma=10,decision_function_shape='ovo')#一对多
classifier.fit(train_data,train_label.ravel())#ravel函数在降维时默认是行序优先
#4.计算svc分类器的准确率
print("训练集：",classifier.score(train_data,train_label))
print("测试集：",classifier.score(test_data,test_label))
#也可直接调用accuracy_score方法计算准确率
from sklearn.metrics import accuracy_score
tra_label = classifier.predict(train_data)#训练集的预测标签
tes_label = classifier.predict(test_data)#测试集的预测标签
print("训练集：",accuracy_score(train_label,tra_label))
print("测试集：",accuracy_score(test_label,tes_label))
#查看决策函数
print('train_decision_function:\n',classifier.decision_function(train_data))
print('predict_result:\n',classifier.predict(train_data))
#5.绘制图形
#确定坐标轴范围
x1_min,x1_max = x[:,0].min(),x[:,0].max() #第0维特征的范围
x2_min,x2_max=x[:,1].min(),x[:,1].max() #第1维特征的范围
x1,x2 = np.mgrid[x1_min:x1_max:200j,x2_min:x2_max:200j] #生成网络采样点
grid_test=np.stack((x1.flat,x2.flat),axis=1) #测试点
#指定默认字体
matplotlib.rcParams['font.sans-serif']=['SimHei']
#设置颜色
cm_light=matplotlib.colors.ListedColormap(['#A0FFA0','#FFA0A0','#A0A0FF'])
cm_dark = matplotlib.colors.ListedColormap(['g','r','b'])
grid_hat = classifier.predict(grid_test) #预测分类值
grid_hat = grid_hat.reshape(x1.shape) #使之与输入的形状相同
plt.pcolormesh(x1,x2,grid_hat,cmap=cm_light) #预测值得显示
plt.scatter(x[:,0],x[:,1],c=y[:,0],s=30,cmap=cm_dark) #样本
plt.scatter(test_data[:,0],test_data[:,1],c=test_label[:,0],s=30,edgecolors='k',zorder=2,cmap=cm_dark) #圈中测试集样本点
plt.xlabel(u"花萼长度",fontsize=13)
plt.ylabel(u"花萼宽度",fontsize=13)
plt.xlim(x1_min,x1_max)
plt.ylim(x2_min,x2_max)
plt.title(u"鸢尾花SVM二特征分类")
plt.show()