我知道如何使用Scikit-Learn构建支持向量机，但现在我想从头开始在Python中实现，而不使用Scikit-Learn。由于对内部过程不了解，我感到很困惑。如果能得到帮助并实现这一点，我将不胜感激。

回答：

你可以仅使用numpy实现一个简单的线性SVM，如下所示。另外，请在下次提问前先在谷歌上搜索。网上有很多资源和教程。

    import numpy as np    def my_svm(dataset, label):        rate = 1 # 梯度下降的学习率        epochs = 10000 # 迭代次数        weights = np.zeros(dataset.shape[1]) # 创建一个数组用于存储权重        # 通过梯度下降最小化目标函数（Hinge损失）        for epoch in range(1,epochs):            for n, data in enumerate(dataset):                if (label[n] * np.dot(dataset[n], weights)) < 1:                    weights = weights + rate * ( (dataset[n] * label[n]) + (-2  *(1/epoch)* weights) )                else:                    weights = weights + rate * (-2  * (1/epoch) * weights)        return weights    def predict(test_data,weights):        results = []        for data in test_data:            result = np.dot(data,weights)            results.append(-1 if result < 0 else 1)        return results

生成用于训练和测试的数据集

    dataset = np.array([        [-2, 4,-1], #x_cood,y_cood,bias        [4, 1, -1],        [0, 2, -1],        [1, 6, -1],        [2, 5, -1],        [6, 2, -1]        ])    label = np.array([-1,-1,-1,1,1,1])    weights = my_svm(dataset,label)

测试它

    test_data = np.array([                [0,3,-1], #应该属于-1                [4,5,-1]  #应该属于1                ])    predict(test_data, weights)    >Out[10]: [-1, 1]