Python机器学习实战：可视化SVM决策边界
本文讲解如何利用Python代码绘制支持向量机(SVM)的决策边界，并对代码进行详细解读。该代码片段来自《Python机器学习基础教程》，用于将数据点划分成三类。
理解代码：绘制决策边界
核心代码通过循环生成决策边界上的点，并将其绘制在图表上。
立即学习“Python免费学习笔记（深入）”；
line变量的作用
代码中的line变量是一个NumPy数组，代表决策边界上的一系列x坐标值，范围从-15到15，足以覆盖图中所有数据点。
计算决策边界点
关键部分是计算-(line * coef[0] + intercept) / coef[1]。 这行代码利用SVM模型的决策面方程计算对应的y坐标值，从而确定决策边界上的点。 其中：
-
coef[0]和coef[1]是SVM模型的权重系数 (决策面的斜率)。 -
intercept是SVM模型的截距 (决策面的y轴截距)。
公式 y = -(coef[0] * x + intercept) / coef[1] 是将SVM决策面方程 coef[0] * x + coef[1] * y + intercept = 0 变形后得到的，用于求解给定x值(即line数组中的值)对应的y值，从而得到决策边界上的点坐标。
通过将line数组中的每个x值代入该公式，即可计算出对应的y值，从而绘制出完整的决策边界。
