支持向量机SVM可视化(不调用sklearn库)

网上关于SVM可视化内容基本上都是直接调用sklearn库来实现，没有自己实现的，本人十分鄙视这种在学习阶段只会调库而没有自己的想法的人。故研究了一下实现了SVM的可视化(不调用sklearn库)，如下所示

支持向量机(SVM) -可视化(不调用sklearn库)

思路+伪代码：

1、构建采样点网络

# 要画决策边界，必须要有网格
axis = np.linspace(min(X[:,0]),max(X[:,0]),30)
ayis = np.linspace(min(X[:, 1]),max(X[:, 1]),30)
# 将特征向量转换为特征矩阵的函数
# 核心是将两个特征向量广播，以便获取x.shape*y.shape这么多点的横坐标和纵坐标
# 获取x.shape*y.shape这么多个坐标点
X,Y = np.meshgrid(axis,ayis)
# xy就是形成的网络，遍及在画布上密集的点
XY = np.vstack([X.ravel(),Y.ravel()]).T# ravel()降维函数，把每一行都放在第一行，vstack能够将多个结构一致的一维数组按行堆叠起来

2、计算采样点到决策分界面的距离集合

采样点集合：XY

决策分界面：

点到平面距离(含负数)：

 得到采样点到决策分界面的距离集合D

3、使用contourf函数绘制等高线

# 输入每个新样本到决策样本边界的距离                
d = distance(XY)# D:各个点到决策边界距离
D = d.reshape(X.shape)
# 画决策边界到平行决策边界的超平面
plt.contourf(X, Y, D, levels=[-1, 0, 1], alpha=0.5)
plt.show()

支持向量机(SVM) -可视化(不调用sklearn库)效果图

 核函数：liner(C=+∞) 

  核函数：poly (C=+∞) 

核函数：rbf (C=+∞)

核函数：liner(C=0.2)   

核函数：poly (C=0.00001)  

 核函数：rbf (C=1)