Если вы хотите обучить СВМ в Python, я рекомендую вам использовать scikit-learn. Это переход к пакету машинного обучения на python с большим количеством документации и поддержки. Он также устанавливается через pip и anaconda, поэтому его легко установить и запустить.
У Sklearn есть специальный SVM module, который использует LIBSVM для работы с базой данных, в то время как sklearn выполняет большую часть обработки данных.
Вот хороший example от sklearn для запуска вашего первого SVM в python и sklearn.
import numpy as np
from sklearn.svm import SVR
import matplotlib.pyplot as plt
# Generate sample data
X = np.sort(5 * np.random.rand(40, 1), axis=0)
y = np.sin(X).ravel()
Add noise to targets
y[::5] += 3 * (0.5 - np.random.rand(8))
# Fit regression model
svr_rbf = SVR(kernel='rbf', C=1e3, gamma=0.1)
svr_lin = SVR(kernel='linear', C=1e3)
svr_poly = SVR(kernel='poly', C=1e3, degree=2)
y_rbf = svr_rbf.fit(X, y).predict(X)
y_lin = svr_lin.fit(X, y).predict(X)
y_poly = svr_poly.fit(X, y).predict(X)
# look at the results
lw = 2
plt.scatter(X, y, color='darkorange', label='data')
plt.hold('on')
plt.plot(X, y_rbf, color='navy', lw=lw, label='RBF model')
plt.plot(X, y_lin, color='c', lw=lw, label='Linear model')
plt.plot(X, y_poly, color='cornflowerblue', lw=lw, label='Polynomial model')
plt.xlabel('data')
plt.ylabel('target')
plt.title('Support Vector Regression')
plt.legend()
plt.show()
Для меня "следующий YouTube видео" не совместима со ссылкой, как "HTTP: //www.bing.com/videos/search ...?" – Setop