支持向量机 (SVM) 简介

什么是 SVM？

支持向量机（Support Vector Machine, SVM）是一种强大的监督学习算法，主要用于分类问题，也可用于回归分析。其核心思想是在特征空间中找到一个最优超平面（Hyperplane），能够将不同类别的数据点尽可能宽地分开。

核心原理

1. 最大间隔：SVM 不仅仅寻找能分开数据的线，而是寻找使两类数据点到该线的最小距离（即“间隔”）最大的那条线。间隔越大，模型的泛化能力通常越强。
2. 支持向量：决定超平面位置的关键数据点被称为“支持向量”。它们是距离超平面最近的样本点，移除其他非支持向量不会改变超平面的位置。
3. 核技巧 (Kernel Trick)：对于线性不可分的数据，SVM 通过核函数将低维空间的非线性问题映射到高维空间，使其在高维空间中变得线性可分。常用的核函数包括线性核、多项式核、高斯径向基核（RBF）等。

本代码实现说明

• 数据集：使用 Scikit-learn 内置的鸢尾花（Iris）数据集。
• 预处理：由于 SVM 对特征尺度敏感，代码中使用了 StandardScaler 对特征进行了标准化处理。
• 模型配置：采用了 RBF 核函数，这是处理非线性分类问题最常用的核函数。
• 评估指标：输出了准确率（Accuracy）以及详细的分类报告（Precision, Recall, F1-score）。

结果展示

本部分描述运行 main.py 后的预期文本输出内容。

1. 控制台整体输出

当用户在终端执行 python main.py 后，程序将依次输出以下内容：

• 第一行：显示分隔符与状态信息。

输出内容：--- SVM 模型训练完成 ---

• 第二行：显示模型在测试集上的整体准确率。

输出内容：测试集准确率：0.XXXX
（注：具体数值通常在 0.95 到 1.0 之间，取决于随机种子和数据划分）

• 第三部分：显示详细的分类报告。

输出内容：包含 precision（精确率）、recall（召回率）、f1-score 以及 support（样本数）的表格。
表格行标签为三种鸢尾花名称：setosa, versicolor, virginica。
最后一行会显示 accuracy、macro avg 和 weighted avg 的汇总数据。

2. 单样本预测演示

在报告输出结束后，程序会执行预设的单样本预测逻辑：

• 输入操作：代码内部定义了一个输入样本 [5.1, 3.5, 1.4, 0.2]（代表花萼长度、花萼宽度、花瓣长度、花瓣宽度）。
• 处理过程：程序对该输入进行标准化处理，并送入训练好的 SVM 模型进行推断。
• 最终输出：

输出内容：输入样本 [5.1, 3.5, 1.4, 0.2] 的预测结果为：setosa
（注：根据该特征值，模型极大概率将其识别为山鸢尾 setosa）

3. 交互式输入模拟（若修改代码支持用户输入）

如果用户修改代码以支持命令行输入，预期行为如下：

• 用户输入：6.2, 2.9, 4.3, 1.3
• 系统输出：输入样本 [6.2, 2.9, 4.3, 1.3] 的预测结果为：versicolor
• 用户输入：7.7, 3.0, 6.1, 2.3
• 系统输出：输入样本 [7.7, 3.0, 6.1, 2.3] 的预测结果为：virginica