数学建模学习（65）：零基础学会使用SVM支持向量机分类

订阅本专栏，有大量的数学建模教程，从零基础到后续的实战案例，篇篇都有源码和讲解。

一、简介

支持向量机(SVM) 是一种有监督的机器学习分类算法。在二维线性可分数据的情况下，如图所示，典型的机器学习算法试图找到一个划分数据的边界，以使误分类误差最小化。如果您仔细查看下图，可能有几个边界可以正确划分数据点。两条虚线和一条实线对数据进行了正确分类。

SVM 与其他分类算法的不同之处在于它选择的决策边界使与所有类的最近数据点的距离最大化。SVM 不只是找到一个决策边界。它找到了最优的决策边界。

最优决策边界是与所有类的最近点具有最大边距的决策边界。决策边界与点之间距离最大的离决策边界最近的点称为支持向量，如下图 所示。在支持向量机的情况下，决策边界称为最大边距分类器，或最大边距超平面.

二、使用 Scikit-Learn 实现 SVM

我们的任务是根据钞票的四个属性来预测钞票是否真实，即小波变换图像的偏度、图像的方差、图像的熵和图像的弯曲度。这是一个二分类问题，我们将使用 SVM 算法来解决这个问题。本节的其余部分包括标准的机器学习步骤。
数据如下：