python实现svm分类模型代码

以下是Python实现SVM分类模型的代码示例：

from sklearn import svm
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 加载数据集
digits = load_digits()
X = digits.data
y = digits.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 创建SVM分类器
clf = svm.SVC(kernel='linear', C=1.0, random_state=0)

# 训练模型
clf.fit(X_train, y_train)

# 预测结果
y_pred = clf.predict(X_test)

# 计算准确率
acc = accuracy_score(y_test, y_pred)

print("准确率：", acc)

这是一个基本的实现，你可以根据实际需要进行调整和优化。

相关问题

python实现svm二分类代码

下面是一个简单的 Python 代码实现 SVM 二分类：

import numpy as np
from sklearn.svm import SVC

# 创建一个二分类的数据集
X = np.array([[1, 2], [2, 3], [3, 1], [4, 3], [5, 4], [6, 5], [7, 7], [8, 6]])
y = np.array([0, 0, 0, 0, 1, 1, 1, 1])

# 创建一个 SVM 模型
svm = SVC(kernel='linear', C=100)

# 训练模型
svm.fit(X, y)

# 预测结果
print(svm.predict([[4, 5]]))

上面的代码中，我们首先创建了一个二分类的数据集，然后使用 scikit-learn 库中的 `SVC` 类创建了一个 SVM 模型，并指定了线性核函数和惩罚参数 C 的值为 100。接着，我们使用 `fit` 方法来训练模型，并使用 `predict` 方法来进行预测。最后，输出预测结果。

用python编写SVM分类模型

使用 Python 编写 SVM 分类模型，可以使用 scikit-learn 库中的 SVC (Support Vector Classification) 类。

下面是一个示例代码：

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

# 加载数据
iris = datasets.load_iris()
X = iris["data"]
y = iris["target"]

# 划分训练数据和测试数据
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

# 训练 SVM 分类模型
clf = svm.SVC()
clf.fit(X_train, y_train)

# 对测试数据进行预测
y_pred = clf.predict(X_test)

# 评估模型
accuracy = sum(y_pred == y_test) / len(y_test)
print("Accuracy:", accuracy)

这段代码使用了 iris 数据集，将数据划分为训练数据和测试数据，然后训练一个 SVM 分类模型，最后使用测试数据评估模型的准确性。