本项目使用到svm算法，本质上，不仅将一组问题和对应的答案同时提供给 svm 算法，还得提供很多组问题和对应的答案，让该算法学习“什么样的问题究竟对应什么样的答案”，并且把答案进行最大化二分，即：是 or 否，对 or 错。可以理解为网上跟人对线时的二极管思想，非黑即白；又或者小孩子看电影时最喜欢问的问题：“谁是坏人？谁是好人？”
不知道大家是否了解一个 python 常用的处理工具——jupyter notebook，就我所知，我女朋友所在的金融行业广泛应用，我觉得python的代码岗位应该用的更多（不过稳定性和实时性欠佳，有更好的平替工具），本案例就是用这个工具作为python的处理工具，该工具可以图形化显示矩阵和函数图线。
这个小项目就是基于 anaconda 的库，利用 jupyter 这个处理平台来做的，课程内容不多，大概学一上午就学完了，但是还远不能达到拿出去吹比的程度，后面还有一些硬骨头要啃，但是可以给简历多一条内容。
简历项目经历喜加一，谁不喜欢呢？
首先安装Anaconda。什么是Anaconda？看看百科——
anaconda：（开源的Python发行版本）Anaconda 包括 Conda、Python 以及一大堆安装好的工具包，比如：numpy、pandas 等180多个科学包及其依赖项。
相信很多小伙伴是久闻 numpy 和 pandas 的大名的，这两个包我们在这个项目中都要用到。
# 导入处理矩阵和数组的包 # import proccessing matrix model import numpy as np
· numpy——貌似是 “Numerical” 和 “Python” 的合体，顾名思义，是“python 中用来算 number”的包，一般我们用于处理数组和矩阵（这俩可以说是一回事儿）；
· pandas——Pandas的名称来自于面板数据（panel data）和python数据分析（data analysis），跟熊猫没有一毛钱关系。它是基于 numpy 的一种工具，该工具是为解决数据分析任务而创建的。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具。pandas提供了大量能使我们快速便捷地处理数据的函数和方法。可以理解为在处理数字矩阵的基础上，进行更进一步逻辑处理的包。
听起来很复杂，其实还好，你就把他想象成java的库就好了，里面有很多函数，还有很多比函数更高级的包，实现远比函数更为复杂的功能，比如我们今天会用到的一个名为“sklearn”的包，这个包从名字就能看出来，他是跟“学习”有关的，很明显， 并不是让人学习，
那就只能是让机器学习了——机器学习。
正片开始。
# import the training sets # 导入训练集 from sklearn import datasets # svm - Support Vector Machine # 导入‘支持向量机’，本质上是个‘二分类器’ from sklearn import svm
· sklearn——Scikit-learn（旧称scikits.learn，也称为sklearn）是 “Science kit”（科学组件）和 “Learn”（学习）的合体，是针对Python 编程语言的免费软件机器学习库。它具有各种分类，回归和聚类算法，包括支持向量机，随机森林，梯度提升，k均值和DBSCAN，并且旨在与Python数值科学库NumPy和SciPy联合使用。
· datasets——sklearn包中的数据集。该数据集包含了很多二维矩阵的信息，以及类似 xml 文件中的 title 信息。矩阵代表了一块画布，矩阵的长宽代表了画布的长款像素点数，矩阵中每一个数值代表了他所在方格的黑度，最黑是255，最白是0，后面的例子中可以看到具体呈现。
· svm——sklearn包中的算法，主要用于小样本下的二分类、多分类以及回归分析，是一种有监督学习的算法。基本思想是寻找一个超平面来对样本进行分割，把样本中的正例和反例用超平面分开，其原则是使正例和反例之间的间隔最大。
相关文章：机器学习算法与Python实践之（二）支持向量机（SVM）初级_zouxy09的专栏-CSDN博客_支持向量机python
用人话说就是，将问题和对应的答案同时提供给 svm 算法，还得提供很多组问题和对应的答案，让该算法学习“什么样的问题究竟对应什么样的答案”，并且把答案进行最大化二分，即：是 or 否，对 or 错。可以理解为网上跟人对线时的二极管思想，非黑即白；又或者小孩子看电影时最喜欢问的问题：“谁是坏人？谁是好人？”
当算法知道了谁是坏人、谁是好人的时候，我们这时候再给它提一个新的问题，比如把蜘蛛侠的脸给算法看，问他：“这个是不是好人？”，算法应该很干脆的回复：“是好人。”那么模型就算是初步训练成功了。
有的同学可能会问：万一我把毒液的脸给算法看呢？问这种问的同学出门左转，去找章鱼博士看看脑子。像漫威这种黑白反复洗，正邪不分家的设定，确实给人工智能的二分算法们添了不少堵，后面我们就要引入新的算法，现在仅仅是个开端，让大家体验一下。
我们继续。
# 导入可视化工具 # import visualization tools import matplotlib.pyplot as plt
· matplotlib——是一个 Python 的 2D绘图库，开发者可以仅需要几行代码，便可以生成绘图，直方图，功率谱，条形图，错误图，散点图等。
· pyplot——Pyplot 是 Matplotlib 的子库，提供了和 MATLAB 类似的绘图 API。Pyplot 是常用的绘图模块，能很方便让用户绘制 2D 图表。Pyplot 包含一系列绘图函数的相关函数，每个函数会对当前的图像进行一些修改，例如：给图像加上标记，生新的图像，在图像中产生新的绘图区域等等。使用的时候，我们可以使用 import 导入 pyplot 库，并设置一个别名 plt（代码中的“as” 是设置别名的操作）。
相关文章：Matplotlib Pyplot | 菜鸟教程 (runoob.com)
同学会问，我就不把这个库设置为“plt”，我想让他叫别的名字可不可以呢？可以，但是是会累死的，因为大家的库名都叫“plt”……
我的意思是，别人读你的代码会累死。
# 导入图片并处理 # import loading pic and proccess from PIL import Image
· PIL——Python Imaging Library，是 Python 平台一个功能非常强大而且简单易用的图像处理库。
· image——Image类是PIL中的核心类，你有很多种方式来对它进行初始化，比如从文件中加载一张图像，处理其他形式的图像，或者是从头创造一张图像等。Image模块操作的基本方法都包含于此模块内。如open、save、conver、show…等方法。
相关文章：Python图像库PIL的类Image及其方法介绍_leemboy的博客-CSDN博客_pil
至此，我们这个小项目的主要库就都导入完毕了，接下来要做的，就是“出题”和“解题”了，即：如何让这些库（包）生成题目以及对应的答案？如何让机器学习这些答案和问题之间的对应关系？在遇到新问题时如何让机器自己给出答案？
OK，马上回来。
