很多问题使用线性SVM分类器就能有效处理，但实际上也存在很多非线性问题，数据集无法进行线性划分，处理非线性数据集的方法之一是添加更多特征，比如多项式，添加新特征后，数据集维度更高，能够形成一个划分超平面。
下面使用SVC(SVM中的分类算法)处理K-means聚类无法解决的半环形moons数据集的分类问题
Piplline（）函数能够对三个函数模块进行封装，将前一个函数的结果传递个下一个函数，
结果可视化如下
可以看出 SVC模型可以将半环形数据集进行准确的划分，从而解决了K-means中仅仅依靠距离进行分类的局限性，因此，对于非线性问题来说，SVM提供了崭新的思路和良好的解决方案！
源代码如下
import numpy as np import matplotlib.pyplot as plt from sklearn.datasets import make_moons from sklearn.preprocessing import PolynomialFeatures from sklearn.preprocessing import StandardScaler from sklearn.svm import LinearSVC from sklearn.pipeline import Pipeline x,y=make_moons(n_samples=100,noise=0.1,random_state=1) moonAxe=[-1.5,2.5,-1,1.5] def disdata(x,y,moonAxe): pos_x0= [x[i,0] for i in range(len(y))if y[i]==1] pos_x1 = [x[i,1] for i in range(len(y)) if y[i]==1] neg_x0 = [x[i,0] for i in range(len(y)) if y[i]==0] neg_x1 = [x[i,1] for i in range(len(y)) if y[i]==0] plt.plot(pos_x0,pos_x1,"bo") plt.plot(neg_x0,neg_x1,"r^") plt.axis(moonAxe) plt.xlabel('x') plt.ylabel('y') def dispPredict(clf,moonAxe): d0=np.linspace(moonAxe[0],moonAxe[1],200) d1= np.linspace(moonAxe[2], moonAxe[3], 200) x0,x1=np.meshgrid(d0,d1) X=np.c_[x0.ravel(),x1.ravel()] y_pred=clf.predict(X).reshape(x0.shape) plt.contourf(x0,x1,y_pred,alpha=0.8) disdata(x,y,moonAxe) polynomial_svm_clf=Pipeline( (("multifeature",PolynomialFeatures(degree=3)), ("numscale",StandardScaler()), ("SVC",LinearSVC(C=100))) ) polynomial_svm_clf.fit(x,y) dispPredict(polynomial_svm_clf,moonAxe) plt.title('Linear svm classifies moon data') plt.show()
