构建基于数据集的SVM分类模型的python代码

以下是一个简单的构建基于数据集的SVM分类模型的Python代码：

# 导入必要的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm

# 加载数据集
iris = datasets.load_iris()

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0)

# 创建SVM分类器对象
clf = svm.SVC(kernel='linear', C=1)

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集结果
y_pred = clf.predict(X_test)

# 计算模型准确度
accuracy = clf.score(X_test, y_test)

# 输出结果
print("Accuracy:", accuracy)

这段代码使用sklearn库中的iris数据集来构建一个线性SVM分类器，并使用train_test_split()函数将数据集分为训练集和测试集。然后，我们使用SVC()函数创建一个SVM分类器对象，并使用fit()函数训练模型。最后，我们使用predict()函数预测测试集结果，并使用score()函数计算模型准确度。