编写一个SVM算法程序,训练鸢尾花分类数据集,并计算相关分类性能指标。

编写一个支持向量机(SVM)算法程序用于鸢尾花分类数据集通常涉及以下几个步骤：

1. **导入所需库**:
首先，我们需要导入必要的Python库，如`sklearn`（机器学习模块），`numpy`（数值计算），以及`pandas`（数据处理）。

import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, classification_report, confusion_matrix

2. **加载数据**:
使用`load_iris()`函数从`sklearn.datasets`加载鸢尾花数据集。

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

3. **数据预处理**:
将特征值标准化以便所有特征在同一尺度上。

scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

4. **划分训练集和测试集**:
划分70%的数据作为训练集，剩下的30%作为测试集。

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

5. **训练SVM模型**:
创建一个SVC对象，并拟合训练数据。

svm_model = SVC(kernel='linear') # 或者选择其他内核如'rbf'
svm_model.fit(X_train, y_train)

6. **预测及评估**:
对测试集进行预测，并计算性能指标。

y_pred = svm_model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy * 100:.2f}%")

# 输出分类报告
print("Classification Report:")
print(classification_report(y_test, y_pred))

# 输出混淆矩阵
conf_mat = confusion_matrix(y_test, y_pred)
print("\nConfusion Matrix:\n", conf_mat)