支持向量机（Support Vector Machine，SVM）是大多数 AI 从业者比较熟悉的概念。它是一种在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。给定一组训练实例，每个训练实例被标记为属于两个类别中的一个或另一个，SVM 训练算法创建一个将新的实例分配给两个类别之一的模型，使其成为非概率二元线性分类器。SVM 模型将实例表示为空间中的点，这样映射就使得单独类别的实例被尽可能宽的明显的间隔分开。然后，将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。
除了进行线性分类之外，SVM 还可以使用所谓的核技巧有效地进行非线性分类，将其输入隐式映射到高维特征空间中。
本文将介绍一篇来自蒙特利尔大学的论文《SVM、Wasserstein 距离、梯度惩罚 GAN 之间的联系》。在这篇论文中，研究者阐述了如何从同一框架中得到 SVM 和梯度惩罚 GAN。
据论文一作介绍，这项研究的灵感来自她的博士资格考试。在准备过程中，她学习了 SVM，并思考了这个问题：「如果将 SVM 推广到神经网络会发生什么？」顺着这个思路，研究者发现了 SVM、GAN、Wasserstein 距离之间的关系。
Series.plot方法的参数
- label：用于图表的标签
- style：风格字符串，'g--'
- alpha：图像的填充不透明度(0-1)
- kind：图表类型(bar，line，hist，kde等)
- xticks：设定x轴刻度值
- yticks：设定y轴刻度值
- xlim，ylim：设定轴界限，[0,10]
- grid：显示轴网格线，默认关闭
- rot：旋转刻度标签
- use_index：将对象的索引用作刻度标签
- logy：在Y轴上使用对数标尺
DataFrame.plot方法的参数
DataFrame除了Series中的参数外，还有一些独有的选项。
- subplots：将各个DataFrame列绘制到单独的subplot中
- sharex，sharey：共享x，y轴
- figsize：控制图像大小
- title：图像标题
- legend：添加图例，默认显示
- sort_columns：以字母顺序绘制各列，默认使用当前顺序
柱状图
在生成线型图的代码中加上kind=‘bar’或者kind=‘barh’，可以生成柱状图或水平柱状图。
