最近一直在看文本挖掘这块儿，看了许多机器学习相关的资料，在这里做个笔记分享给大家，有供自己日后学习浏览。
码字不易，喜欢请点赞！！！
这篇推文主要介绍Python实现SVM的案例，后期会更新加强版。
这里主要讲的是使用Python的Sklearn包实现SVM样本分类，而不包括SVM的理论推导，我在看SVM的理论的时候看了很多网上的博客，有很多都写的不错，这里推荐，July写的支持向量机通俗导论（理解SVM的三层境界），而且作者将其制作成了pdf版本，可以下载下来观看。这篇博客是July12年开始写的，并且一直更新完善，所以到现在真的是通俗易懂。这里附上网址：https://blog.csdn.net/v_july_v/article/details/7624837
理论部分这篇博客真的够！！!
Sklearn是Python专门用于机器学习的包，安装方法网上有很多，这里也不介绍了，有问题可以随时进交流群询问。
这里就开始一步步讲解，在实践过程中的具体步骤。
一般来说机器学习的实践流程包括：导入数据->数据标准化->模型选择->模型的训练测试->保存模型
首先，导入数据这块，你如果使用自己的数据集的话，可以用numpy或者pandas导入。本文这里直接使用Sklearn自带的经典的iris鸢尾花数据集。
导入数据之后，对数据进行标准化处理（由于这里采用的是自带的鸢尾花数据集，已经不需要标准化就能很好的预测了，使用自己的样本时，这步非常重要）。
在对数据标准化处理之后，这里对用分类的数据进行切分，分为训练集和样本集。
模型选择：Sklearn中已经实现了所有基本的机器学习方法，包括:
本文选用的模型为支持向量机（SVM的参数很多，主要是设置惩罚参数C，后期的加强版会介绍，这里使用默认参数C=1）：
使用模型进行训练和测试，然后输出测试后的精度：
可以看到只有第二行第一个有错误，其他都是准确的。
保存模型：在训练出满意的模型之后，可已经模型保存，以便下次使用，Python中保存模型的方法有两种，第一种是pickle包，第二种是Sklearn中的joblib方法，官方文档推荐的是使用joblib方法，因为该方法使用了多进程，速度更快，这里也就展示joblib方法。
可以看到简单的两个语句就实现了模型的保存与再调用。
简简单单12行代码你就完成了机器学习的实践，是不是很sixsixsxi！！！
ps:对于Sklearn的基本使用方法就这些了，后期会分享进阶版，包括但不限于模型的函数主要参数的设置以及交叉验证。
