每个数据科学家都应该在他们的工具箱中拥有支持向量机（SVM）。通过实际操作的介绍来学习如何精通这个多功能模型。
在可用的机器学习模型中，存在一个多功能的模型，使它成为每个数据科学家工具箱中必不可少的工具：支持向量机（SVM）。
SVM是一个强大而多功能的算法，在其核心，它可以在高维空间中划定最佳超平面，有效地分离数据集的不同类别。但它并不止于此！它的有效性不仅限于分类任务：SVM也非常适合回归和异常值检测任务。
SVM方法的一个特点使其尤为有效。与KNN不同，SVM仅重点关注位于决策边界附近的数据点子集，而不是整个数据集。这些点被称为支持向量，这个独特思想背后的数学将在接下来的部分中简单地解释。
通过这样做，支持向量机在计算上保守并且非常适用于涉及大规模数据集的任务中。
与我在所有文章中一样，我不仅会解释理论概念，还会为你提供编程示例，以熟悉Scikit-Learn（sklearn）Python库。
线性SVM分类
SVM分类在其核心上类似于线性代数的优雅简洁。想象一个二维空间中的数据集，并要分开两个不同的类别。线性SVM试图用最佳的直线将这两个类别分开。
在这种情况下，“最佳”是什么意思？SVM搜索最佳分离线：一条不仅能够分离类别，而且与每个类别的最近训练实例的最大距离的直线。这个距离被称为边界。处于边界上的数据点是…