支持向量机交叉验证代码

以下是一个简单的支持向量机交叉验证代码段，它使用Python的scikit-learn库实现：

# 导入需要的库
from sklearn import datasets
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.svm import SVC

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 切分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 创建支持向量机模型
svm = SVC()

# 设置参数范围
param_grid = {'C': [0.1, 1, 10, 100], 'kernel': ['linear', 'rbf', 'poly'], 'gamma': ['auto', 'scale']}

# 进行交叉验证
clf = GridSearchCV(svm, param_grid, cv=5)
clf.fit(X_train, y_train)

# 输出结果
print("最佳参数: ", clf.best_params_)
print("训练集准确率: ", clf.score(X_train, y_train))
print("测试集准确率: ", clf.score(X_test, y_test))

该代码将Iris数据集加载到变量`iris`中，并将其分为训练和测试集。然后定义了一个支持向量机模型，使用`GridSearchCV`进行5倍交叉验证来搜索最佳参数范围。最后，输出了最佳参数、训练集和测试集准确率。请记住，在实际应用中，可以根据实际情况进行调整和改进。