SVM分类器用python
随着训练的进行，分类器可以看到越来越多的数据样本，因此越来越清楚地知道最优决策边界应该在哪里。在这种场景下，如果决策边界的绘制方式是“–”样本位于决策边界的左边，或者“+”样本位于决策边界的右边，那么就会出现一个误分类错误。在训练初期，分类器只看到很少的数据点，它试着画出分隔两个类的最佳决策边界。随着训练的进行，分类器会看到越来越多的数据样本，因此在每一步中不断更新决策边界。作为训练集，其余细胞作为测试集。一个SVM最有可能选择实线，因为这是“+”类和“–”类数据点之间的最大间隔的决策边界。
