支持向量机（Support Vector Machine, SVM）是一种强大的监督学习模型，用于分类、回归甚至异常检测。它基于统计学习理论，特别关注找到数据的最佳分隔超平面。

import numpy as np
import matplotlib.pyplot as plt
 
from sklearn.svm import SVC
from sklearn import datasets

X,y = datasets.make_blobs(n_samples= 100,#样本量
                          n_features=2,#二维数据，便于画图展示
                          centers = 2,#两块
                          random_state = 3)#随机数种子
plt.scatter(X[:,0],X[:,1],c=y)

#算法建模
svc = SVC(kernel = 'linear')
svc.fit(X,y)

#绘制分割线
w_ = svc.coef_#有两个特征
b_ = svc.intercept_
w = -w_[0,0]/w_[0,1]
b = -b_/w_[0,1]
sv = svc.support_vectors_  #当你使用像 scikit-learn 这样的库训练一个 SVM 模型时，support_vectors_ 包含了在模型训练过程中被选择为支持向量的样本点

x = np.linspace(-5,1,100)   #np.linspace函数可以生成一个包含固定数量元素的数组，这些元素均匀地分布在指定的区间内。这个函数在科学计算和数据分析中非常有用，因为它可以帮助你创建一个等间距的数值序列。
y_result = w*x+b
plt.scatter(X[:,0],X[:,1],c=y)
plt.plot(x,y_result,color = 'red')

#上下边界
b1 = sv[0][1] - w*sv[0][0]
plt.plot(x,w*x + b1,color = 'blue',ls = '--')

b2 = sv[-1][1] - w*sv[-1][0]
plt.plot(x,w*x+b2,color='blue',ls='--')

linspace为什么要这一步：

1. 数值分析：在数值分析中，经常需要在某个区间内对函数进行评估，linspace可以确保评估点均匀分布。

2. 绘图：在绘图时，你可能需要在特定区间内均匀分布的x值来计算对应的y值，然后绘制函数图像。

3. 函数评估：在评估函数的行为或特性时，均匀的点集可以帮助你更好地理解函数在不同区间的表现。

4. 算法实现：某些算法可能需要在特定区间内均匀采样，以确保算法的准确性和公平性。

5. 测试和验证：在测试函数或模型时，均匀的采样可以确保覆盖整个输入范围。