一、SVM支持向量机简介

支持向量机是由感知机发展而来的机器学习算法，属于监督学习算法。支持向量机具有完备的理论基础，算法通过对样本进行求解，得到最大边距的超平面，并将其作为分类决策边界。
支持向量机（Support Vector Machines, SVM）在解决小样本、线性、非线性及高维模式识别领域表现出特有的优势。
SVM是一种研究小样本机器学习模型的统计学习方法，其目标是在有限的数据信息情况下，渐进求解得到最优结果。其核心思想是假设一个函数集合，其中每个函数都能取得小的误差，然后从中选择误差小的函数作为最优函数。
SVM的原理是寻找一个保证分类要求的最优分类超平面，策略是使超平面两侧的间隔最大化。模型建立过程可转换为一个凸二次规划问题的求解。SVM很容易处理线性可分的问题。对于非线性问题，SVM的处理方法是选择一个核函数，然后通过核函数将数据映射到高维特征空间，最终在高维空间中构造出最优分类超平面，从而把原始平面上不好分的非线性数据分开。

二、数据集介绍

先来整体看一下数据情况：

某年全国各省、区、市城镇居民月平均消费情况数据。 确定分类为：1-20号省份为第一类，记为G1 ，21-27号省份为第二类，记为G2。其中表中的指标为：x1人均粮食支出（元/人）；x2人均副食支出（元/人）；x3 人均烟酒茶支出（元/人）