Ahora podríamos realizar predicciones usando el método .predict(). Recordemos la distribución de nuestros puntos en el plano:
El punto (2, 0), por ejemplo, recibe como predicción el valor 0 correspondiente a la primera clase (clase negativa):
sample = np.array([2, 0]).reshape(1, -1)
model.predict(sample)
model.predict(sample)
array([0])
En Scikit-Learn el método .predict de un modelo debe recibir una estructura bidimensional, de ahí la necesidad de convertir nuestra muestra sample en un array y redimensionarlo.
De forma semejante, el punto (-2, 1) recibe la clase 1 correspondiente a la clase positiva:
sample = np.array([-2, 1]).reshape(1, -1)
model.predict(sample)
model.predict(sample)
array([1])
Los vectores de soporte reciben como predicción, por supuesto, la clase a la que pertenecen:
model.support_vectors_
array([[ 0.9744541 , 0.35384895],
[-0.90498275, 0.55267973]])
[-0.90498275, 0.55267973]])
model.predict(model.support_vectors_)
array([0, 1])
