1.简单的应用，（用前两节的例子）

   直接上代码：

from sklearn import svm
x = [[2,0],[1,1],[2,3]]#定义三个点
y = [0,0,1]  #（class label）分类的标记
clf = svm.SVC(kernel="linear")#通过svm来建立模型，SVC为一个方程，里面的参数下节课会说到，算法就是上两节课里面的算法
clf.fit(x,y)
print(clf)
#打印出支持向量是哪几个点
print('='*200)
print(clf.support_vectors_)
print('='*200)
#打印出到底哪几个点是属于支持向量，打印出的是下标
print(clf.support_)
print('='*200)
#打印出有几个属于支持向量
print(clf.n_support_)

结果如图：

            这个例子就用了sklearn的SVM库，对它所建立的模型进行检测，如果有新点则可以用predict来进行预测，来判断它的属性

#例如，我们想知道(2,0)这个点的对应的类别标记
print(clf.predict([[2,0]]))#注意这个点的输入，有两个中括号

  预测的结果为： [0]

  和上面的结果一致。

下一节   我们来看稍微复杂一些的Python的实例