最近一直在看文本挖掘這塊兒，看了許多機器學習相關的資料，在這里做個筆記分享給大家，有供自己日后學習瀏覽。 碼字不易，喜歡請點贊！！！

這篇推文主要介紹Python實現SVM的案例，后期會更新加強版。

這里主要講的是使用Python的Sklearn包實現SVM樣本分類，而不包括SVM的理論推導，我在看SVM的理論的時候看了很多網上的博客，有很多都寫的不錯，這里推薦，July寫的支持向量機通俗導論（理解SVM的三層境界），而且作者將其制作成了pdf版本，可以下載下來觀看。這篇博客是July12年開始寫的，并且一直更新完善，所以到現在真的是通俗易懂。這里附上網址：https://blog.csdn.net/v_july_v/article/details/7624837

理論部分這篇博客真的夠！！!

Sklearn是Python專門用于機器學習的包，安裝方法網上有很多，這里也不介紹了，有問題可以隨時進交流群詢問。

這里就開始一步步講解，在實踐過程中的具體步驟。

一般來說機器學習的實踐流程包括：導入數據->數據標準化->模型選擇->模型的訓練測試->保存模型

首先，導入數據這塊，你如果使用自己的數據集的話，可以用numpy或者pandas導入。本文這里直接使用Sklearn自帶的經典的iris鳶尾花數據集。

導入數據之后，對數據進行標準化處理（由于這里采用的是自帶的鳶尾花數據集，已經不需要標準化就能很好的預測了，使用自己的樣本時，這步非常重要）。

在對數據標準化處理之后，這里對用分類的數據進行切分，分為訓練集和樣本集。

模型選擇：Sklearn中已經實現了所有基本的機器學習方法，包括:

本文選用的模型為支持向量機（SVM的參數很多，主要是設置懲罰參數C，后期的加強版會介紹，這里使用默認參數C=1）：

使用模型進行訓練和測試，然后輸出測試后的精度：

可以看到只有第二行第一個有錯誤，其他都是準確的。

保存模型：在訓練出滿意的模型之后，可已經模型保存，以便下次使用，Python中保存模型的方法有兩種，第一種是pickle包，第二種是Sklearn中的joblib方法，官方文檔推薦的是使用joblib方法，因為該方法使用了多進程，速度更快，這里也就展示joblib方法。

可以看到簡單的兩個語句就實現了模型的保存與再調用。

簡簡單單12行代碼你就完成了機器學習的實踐，是不是很sixsixsxi！！！

ps:對于Sklearn的基本使用方法就這些了，后期會分享進階版，包括但不限于模型的函數主要參數的設置以及交叉驗證。