python svm多分类

在Python中，可以使用scikit-learn库来实现SVM多分类。具体步骤如下：

1. 导入所需的库：

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

2. 加载数据集：

iris = load_iris()
X = iris.data
y = iris.target

3. 划分训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

4. 训练模型：

clf = svm.SVC(kernel='linear', C=1, decision_function_shape='ovr')
clf.fit(X_train, y_train)

5. 预测测试集：

y_pred = clf.predict(X_test)

6. 计算准确率：

acc = accuracy_score(y_test, y_pred)
print("Accuracy:", acc)

注意：上述代码使用的是线性核函数，如果需要使用其他核函数，可以修改SVC()函数的kernel参数。同时，decision_function_shape参数设置为'ovr'表示采用one-vs-rest策略进行多分类。另外，C参数是SVM中的正则项，可以根据实际情况进行调整。