支持向量机（Support Vector Machines，SVM）是一种用于分类和回归分析的流行机器学习算法。SVM 试图找到分隔不同数据类别的最佳边界。在本实验中，我们将学习如何绘制 LinearSVC 的支持向量。
虚拟机启动完成后，点击左上角切换到“笔记本”标签以访问 Jupyter Notebook 进行练习。
有时，你可能需要等待几秒钟让 Jupyter Notebook 完成加载。由于 Jupyter Notebook 的限制，操作验证无法自动化。
如果你在学习过程中遇到问题，请随时向 Labby 提问。课程结束后提供反馈，我们将立即为你解决问题。
首先，我们需要为本实验导入必要的库。我们将使用 NumPy、Matplotlib、make_blobs、LinearSVC 和 DecisionBoundaryDisplay 库。
我们将使用 Scikit-learn 中的 make_blobs() 函数生成一些随机数据。此函数生成用于聚类的高斯分布数据点集。我们将生成 40 个样本，有 2 个中心点。
我们将使用 Matplotlib 绘制生成的数据。scatter() 函数用于绘制数据。
我们将使用两个不同的正则化参数来训练线性支持向量分类器（LinearSVC）模型。铰链损失函数用于训练该模型。我们将使用 fit() 函数来训练模型。
支持向量是位于间隔边界内的样本，其大小通常被约束为 1。我们可以通过决策函数来获取支持向量。我们将使用 decision_function() 函数来获取模型的决策函数。然后，我们将根据决策函数计算支持向量。
我们将在与数据相同的图表上绘制支持向量。我们将使用 scatter() 函数来绘制支持向量。
我们将在图表上显示决策边界。我们将使用 DecisionBoundaryDisplay 类来显示决策边界。
最后，我们将显示带有支持向量和决策边界的图表。
在本实验中，我们学习了如何绘制线性支持向量分类器（LinearSVC）的支持向量。我们使用 decision_function() 函数来获取模型的决策函数，然后根据该决策函数计算支持向量。我们还学习了如何使用 DecisionBoundaryDisplay 类在图表上显示决策边界。
