1. SVM 如何处理二分类问题
2. SVM 如何处理多分类问题
一对多（One-vs-Rest, OvR）: 一对一（One-vs-One, OvO）:
OvO 方法将多分类问题拆解为所有类别之间的二分类组合。每个模型处理两个类别之间的分类问题。最终的分类结果由多数投票决定。
3. 实际应用中的 SVM 多分类
scikit-learn 中的 SVM 实现已经内置了对多分类问题的支持。用户可以直接应用 SVM 模型进行多分类，而无需手动构建 OvR 或 OvO 模型。例如：import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
# 1. 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data[:, :2] # 取前两个特征（为了便于可视化）
y = iris.target
# 2. 数据集分割
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
# 3. 创建 SVM 模型，并选择线性核函数（支持多分类）
model = SVC(kernel='linear', decision_function_shape='ovr')
# ovr 是默认参数model.fit(X_train, y_train)
# 4. 预测与评估
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print(f'Accuracy: {accuracy:.2f}')## Accuracy: 0.80# 5. 可视化决策边界
def plot_decision_boundary(model, X, y):
x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.01),
np.arange(y_min, y_max, 0.01))
Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, alpha=0.8, cmap=plt.cm.Paired)
plt.scatter(X[:, 0], X[:, 1], c=y, edgecolors='k', marker='o', cmap=plt.cm.Paired)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.title('SVM Decision Boundary for Multi-Class Classification')
plt.show()
# 6. 绘制训练集的决策边界
plot_decision_boundary(model, X_train, y_train)# 7. 绘制测试集的决策边界
plot_decision_boundary(model, X_test, y_test)4. 总结
scikit-learn）通常已经内置了这些多分类扩展，使得用户可以直接应用 SVM 进行多分类任务。感谢关注
