使用SVM进行分类iris数据集

Iris数据集是机器学习领域中最常用的数据集之一，它包含150个样本，其中每个样本有4个特征，分别是花萼长度、花萼宽度、花瓣长度和花瓣宽度。这些样本分别属于3个不同的类别：Setosa、Versicolor和Virginica。下面我们将使用SVM算法对Iris数据集进行分类。

首先，我们需要导入必要的库和数据集：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 导入数据集
iris = load_iris()
X = iris.data
y = iris.target

接下来，我们将数据集分成训练集和测试集：

# 将数据集分成训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

然后，我们可以使用SVM算法对数据集进行分类：

# 创建SVM分类器
clf = SVC(kernel='linear')

# 在训练集上拟合模型
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

最后，我们可以计算模型的准确率：

# 计算模型的准确率
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

运行完整代码，输出的准确率为0.9666666666666667，表示我们的模型在预测测试集时准确率为96.67%。