源码分析来源：datawhalechina
https://github.com/datawhalechina/machine-learning-toy-code/blob/main/ml-with-sklearn/SVM/SVM.ipynb
一、支持向量机含义：
SVM可以理解成为一个线性分类器（多分类？）。https://zhuanlan.zhihu.com/p/49331510
二、支持向量机分类：
* 1、线性SVM：
其中是一个含有d个元素的列向量，即
∈
';
是标量，y∈+1，-1，
=+1时Xi属于正类别，Yi=-1时Xi属于负类别。
*核心代码备注补充：e.g., model_linear = svm.SVC(kernel='linear', C = 0.001)
① C：默认值是1.0：C越大，相当于惩罚松弛变量，希望松弛变量接近0，即对误分类的惩罚增大，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱。C值小，对误分类的惩罚减小，允许容错，将他们当成噪声点，泛化能力较强。
② kernel: str参数；默认为‘rbf’
算法中采用的核函数类型，可选参数有：
-‘linear’:线性核函数
-‘poly’：多项式核函数
-‘rbf’：径像核函数/高斯核
-‘sigmod’:sigmod核函数
-‘precomputed’:核矩阵
* np.c_：np.c_是按列连接两个矩阵，就是把两矩阵左右相加，要求行数相等。https://www.cnblogs.com/fcfc940503/p/10966651.html
* numpy中的ravel()、flatten()、squeeze()都有将多维数组转换为一维数组的功能，区别：https://blog.csdn.net/tymatlab/article/details/79009618
-ravel()：如果没有必要，不会产生源数据的副本
-flatten()：返回源数据的副本
-squeeze()：只能对维数为1的维度降维
另外，reshape(-1)也可以“拉平”多维数组
* 2、多项式SVM：https://blog.csdn.net/github_39261590/article/details/75009069，https://blog.csdn.net/weixin_41990278/article/details/93137009
核心代码备注补充：model_poly=svm.SVC(C=0.0001,kernel='poly',degree=degree)
-degree: int型参数 默认为3：这个参数只对多项式核函数有用，是指多项式核函数的阶数n。如果给的核函数参数是其他核函数，则会自动忽略该参数。
* 3、高斯核SVM：
核心代码备注补充：model_rbf=svm.SVC(kernel='rbf',gamma=gamma,C=0.0001).fit(data,label)
-gamma: float参数 默认为auto：核函数系数，只对‘rbf’,‘poly’,‘sigmod’有效。如果gamma为auto，代表其值为样本特征数的倒数，即1/n_features.
三、数据实验：
* 1、代码备注补充：
- transform=transforms.ToTensor：transforms.ToTensor()函数的作用是将原始的PILImage格式或者numpy.array格式的数据格式化为可被pytorch快速处理的张量类型。https://blog.csdn.net/cangafuture/article/details/120541447
（这段实验代码我觉得特别好！！！感悟常看常新！）
