sklearn svm

Scikit-learn (sklearn) 是一个 Python 机器学习库，其中包含了支持向量机（SVM）算法。SVM 是一种监督学习算法，其主要用于分类和回归分析。在 sklearn 中，你可以使用 `svm.SVC` 类来实现 SVM 分类器。这个类的构造函数有很多参数可以调整，以便更好地适应不同的数据集。下面是一个简单的示例代码，展示了如何使用 SVM 对鸢尾花数据集进行分类：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 创建 SVM 分类器
clf = svm.SVC(kernel='linear', C=1)

# 在训练集上训练分类器
clf.fit(X_train, y_train)

# 在测试集上测试分类器的准确率
print("Accuracy:", clf.score(X_test, y_test))

在这个示例中，我们加载了鸢尾花数据集，将其划分为训练集和测试集，然后创建了一个 SVM 分类器，并在训练集上进行了训练。最后，我们在测试集上测试了分类器的准确率。这里使用的 SVM 分类器采用线性核函数，并设置了正则化参数 C 的值为 1。你可以根据你的数据集和分类任务的要求来调整这些参数。