SVM是Support Vector Machine的缩写，中文叫支持向量机，通过它可以对样本数据进行分类。以股票为例，SVM能根据若干特征样本数据，把待预测的目标结果划分成“涨”和”跌”两种，从而实现预测股票涨跌的效果。

    在Sklearn库里，封装了SVM分类的相关方法，也就是说，我们无需了解其中复杂的算法，即可用它实现基于SVM的分类。通过如下SimpleSVMDemo.py案例，我们来看下通过SVM库实现分类的做法，以及相关方法的调用方式。    

    在第5行里，我们引入了基于SVM的库。在第7行，我们定义了若干个点，并在第9行把这些点分成了两类，比如[-1,1]点是第一类，而[4,2]是第二类。

    这里请注意，在第7行定义点的时候，是通过np.r_方法，把数据转换成“列矩阵”，这样做的目的是让数据结构满足fit方法的要求。     

　　在第11行里，我们创建了基于SVM的对象，并指定该SVM模型采用比较常用的“线性核”来实现分类操作。

      在第14行，通过fit训练样本。这里fit方法和之前基于线性回归案例中的fit方法是一样的，只不过这里是基于线性核的相关算法，而之前是基于线性回归的相关算法（比如最小二乘法）。训练完成后，通过第14行和第15行的代码，我们得到了能分隔两类样本的直线，包括直线的斜率和截距，并通过第16行和第17行的代码设置了分隔线的若干个点。    

　　计算完成后，我们通过第19行的plot方法绘制了分隔线，并在第21行通过scatter方法绘制所有的样本点。由于points是“列矩阵”的数据结构，所以是用points[:,0]来获取绘制点的 x坐标，用points[:,1]来获取y坐标，最后是通过第22行的show方法绘制图形。运行上述代码，我们能看到如下图13.8的效果，从中我们能看到，蓝色的边界线能有效地分隔两类样本。

    从这个例子中我们能看到，SVM的作用是，根据样本，训练出能划分不同种类数据的边界线，由此实现“分类”的效果。而且，在根据训练样本确定好边界线的参数后，还能根据其它没有明确种类样本，计算出它的种类，以此实现“预测”效果。 

    标准化（normalization）处理是将特征样本按一定算法进行缩放，让它们落在某个范围比较小的区间，同时去掉单位限制，让样本数据转换成无量纲的纯数值。

    在用机器学习方法进行训练时，一般需要进行标准化处理，原因是Sklearn等库封装的一些机器学习算法对样本有一定的要求，如果有些特征值的数量级偏离大多数特征值的数量级，或者有特征值偏离正态分布，那么预测结果会不准确。

    需要说明的是，虽然在训练前对样本进行了标准化处理，改变了样本值，但由于在标准化的过程中是用同一个算法对全部样本进行转换，属于“数据优化”，不会对后继的训练起到不好的作用。

    这里我们是通过sklearn库提供的preprocessing.scale方法实现标准化，该方法是让特征值减去平均值然后除以标准差。通过如下ScaleDemo.py案例，我们实际用下preprocessing.scale方法。     

　　在第6行里，我们初始化了一个长宽各为3的矩阵，在第10行，通过mean方法计算了该矩阵的均值，在第12行则通过std方法计算标准差。

      第14行是用原始值减去均值，再除以标准差，在第17行，是直接输出preprocessing.scale的结果。第14行和第17行的输出结果相同，均是下值，从中我们验证了标准化的具体做法。    

    在之前的案例中，我们用基于SVM的方法，通过一维直线来分类二维的点。据此可以进一步推论：通过基于SVM的方法，我们还可以分类具有多个特征值的样本。

    比如可以通过开盘价、收盘价、最高价、最低价和成交量等特征值，用SVM的算法训练出这些特征值和股票“涨“和“跌“的关系，即通过特征值划分指定股票“涨”和“跌”的边界，这样的话，一旦输入其它的股票特征数据，即可预测出对应的涨跌情况。在如下的PredictStockBySVM.py案例中，我们给出了基于SVM预测股票涨跌的功能。