# svm

**Repository Path**: iamohenry/svm

## Basic Information

- **Project Name**: svm
- **Description**: 用python写了一个svm程序
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2025-06-24
- **Last Updated**: 2025-11-15

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 支持向量机 (SVM) 实现

这是一个使用 Python 实现的支持向量机 (SVM) 分类器，适用于二分类任务。该项目实现了软间隔 SVM 和高斯核函数，并使用 SMO 算法进行优化。

## 特性

- 实现了软间隔支持向量机
- 使用高斯核函数处理非线性可分数据
- 使用 SMO 算法优化训练过程
- 包含数据可视化功能
- 支持自动归一化和数据生成

## 主要组件

- `SVM` 类：实现完整的支持向量机算法
- `generate_moon_data` 函数：生成用于测试的月牙形数据集
- `normalize` 函数：对数据进行归一化处理
- `visualize` 函数：可视化分类结果和支持向量

## 使用方法

1. 生成或准备数据集
2. 创建 SVM 实例
3. 调用 `fit` 方法进行训练
4. 使用 `predict` 方法进行预测
5. 可选：使用 `visualize` 函数可视化结果

示例：
```python
# 生成数据
X_train, y_train = generate_moon_data()

# 归一化
X_train = normalize(X_train)

# 创建和训练模型
model = SVM(C=100, sigma=0.25)
model.fit(X_train, y_train)

# 进行预测
predictions = model.predict(X_test)

# 可视化结果
visualize(model, X_train, y_train)
```

## 算法特点

- 使用预计算核矩阵加速训练
- 实现了完整的 SMO 算法
- 包括违反 KKT 条件检查和对偶间隙停止条件
- 支持自动提取支持向量

## 应用场景

该项目适用于需要理解 SVM 内部工作原理的教育目的，以及需要处理二分类问题的小型机器学习任务。特别适合处理非线性可分的二维数据集，如生成的月牙形数据。