SVC 支持向量分类

本章目标

1. 明确本分册对应的 SVC 源码入口与运行方式。
2. 理解当前 SVC 文档各章节分别负责解释什么内容。
3. 建立从数据、模型、训练到评估的整体阅读路线。

对应代码速览

组件	路径	说明
数据生成	data_generation/classification.py	ClassificationData.svc() 生成同心圆二分类数据
数据导出	data_generation/__init__.py	导出 svc_data
训练封装	model_training/classification/svc.py	train_model(...) 封装 sklearn.svm.SVC 训练
端到端流水线	pipelines/classification/svc.py	完成切分、标准化、训练、预测与可视化
混淆矩阵可视化	result_visualization/confusion_matrix.py	绘制预测结果混淆矩阵
决策边界可视化	result_visualization/decision_boundary.py	绘制 PCA 2D 空间下的决策边界
学习曲线可视化	result_visualization/learning_curve.py	绘制训练/验证得分曲线

默认配置速览（来自源码）

项目	当前实现
训练模型	SVC(C=1.0, kernel='rbf', gamma='scale', random_state=42)
数据切分	train_test_split(..., test_size=0.2, random_state=42, stratify=y)
特征预处理	StandardScaler 仅在训练集 fit，测试集 transform——标准化对 RBF 核方法至关重要，因为距离计算对特征尺度敏感
正式预测输出	y_pred = model.predict(X_test_s)——基于决策函数 $\text{sign}(f(\mathbf{x}))$ 的硬分类
评估方式	混淆矩阵 + PCA 2D 决策边界 + 学习曲线

阅读路线

1. 数学原理
2. 数据构成
3. 思路与直觉
4. 模型构建
5. 训练与预测
6. 评估与诊断
7. 工程实现
8. 练习与参考文献

如何运行

示例代码

python -m pipelines.classification.svc

理解重点

• 这个命令会串起当前 SVC 分册中最核心的工程流程。
• 运行后会训练一个 RBF 核 SVC 模型（求解对偶优化问题），并输出混淆矩阵、决策边界图和学习曲线。
• 当前任务是监督二分类（同心圆），数据本身线性不可分——因此默认 RBF 核是该数据形态的直接回应。

先修

• 库生态总览
• NumPy 基础与数组概念
• 预处理
• 项目架构

小结

• 本分册严格对应当前仓库中的 SVC 源码实现。
• SVC 的核心特点：判别式模型 + 最大间隔优化 + 核技巧（将非线性问题映射为高维线性问题）——与逻辑回归（线性判别式）、KNN（基于实例）、决策树（递归划分）、GaussianNB（生成式）在建模思路上有本质区别。
• 当前使用 make_circles 构造的同心圆数据 + SVC(kernel='rbf')，是展示核方法处理非线性分类的最经典教学配置。