支持向量机（SVM）是一种流行的分类算法，可以非常有效地处理高维数据。在Python中，可以使用Scikit-learn库来使用SVM进行分类，并使用Matplotlib库来对分类结果进行可视化展示。

首先，确保您已经安装了Scikit-learn和Matplotlib库。如果没有安装，可以使用pip安装：
```bash
pipinstallscikit-learnmatplotlib
```
然后，您可以按照以下步骤使用Scikit-learn创建SVM分类器，并对结果进行可视化展示：
```python
fromsklearn.svmimportSVC
fromsklearn.datasetsimportmake_blobs
fromsklearn.pipelineimportmake_pipeline
fromsklearn.preprocessingimportStandardScaler
importmatplotlib.pyplotasplt
#创建数据集
X,y=make_blobs(n_samples=100,centers=2,random_state=0)

#创建SVM分类器实例
svm_clf=make_pipeline(StandardScaler(),SVC(gamma='auto'))
#使用数据集训练模型
svm_clf.fit(X,y)
#绘制数据点
plt.scatter(X[:,0],X[:,1],c=y,s=30,cmap=plt.cm.Paired)
#绘制决策边界
x1_min,x1_max=X[:,0].min()-1,X[:,0].max()+1
x2_min,x2_max=X[:,1].min()-1,X[:,1].max()+1
xx1,xx2=np.meshgrid(np.linspace(x1_min,x1_max,100),np.linspace(x2_min,x2_max,100))
Z=svm_clf.predict(np.array([xx1.ravel(),xx2.ravel()]).T)
Z=Z.reshape(xx1.shape)
plt.contourf(xx1,xx2,Z,alpha=0.3,cmap=plt.cm.Paired)
#绘制决策边界
plt.contour(xx1,xx2,Z,cmap=plt.cm.Paired,alpha=0.8,linestyles='dashed')
#显示图表
plt.show()
```
在这个例子中，我们首先创建了一个包含两个类的数据集，然后使用SVM分类器对其进行了训练。接着，我们使用Matplotlib库绘制了数据点以及决策边界。
请注意，这个例子是非常基础的，实际应用中可能需要调整SVM的参数，并进行更复杂的模型评估和调优。同时，对于更高维的数据集，可能无法直接进行可视化展示。

要可视化支持向量机的分类结果，可以使用二维或三维图形来表示不同类别的数据点和分类边界。下面是一些常见的可视化方法：

1. 散点图：将训练数据点绘制在二维平面上，用不同的颜色或符号表示不同的类别。然后绘制支持向量机的决策边界和间隔边界。这可以帮助我们直观地理解分类结果。

2. 等高线图：对于二维数据，可以绘制支持向量机的决策边界和间隔边界的等高线图。这将展示不同区域的决策边界和间隔边界，并且可以更清晰地表示分类结果。

3. 3D图形：对于三维数据，可以使用三维图形来展示分类结果。可以用不同的颜色表示不同的类别，并绘制支持向量机的分类平面。

4. 动态可视化：可以在一个动画中展示支持向量机的分类过程。从初始状态开始，逐步更新模型并展示新的分类结果。

以上是一些常见的可视化方法，具体使用哪种方法取决于你的数据和分类器的维度。你可以根据自己的需要选择适合的方法。