python代码实现使用高斯核的SVM的模型，给出训练集合测试集准确率

下面是使用高斯核的SVM模型的Python代码，并计算训练集和测试集的准确率：

import numpy as np
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
from sklearn.model_selection import train_test_split

# 假设训练集和测试集数据已经准备好，分别为X_train, y_train, X_test, y_test

# 创建SVM模型
svm_model = SVC(kernel='rbf')

# 训练模型
svm_model.fit(X_train, y_train)

# 在训练集上进行预测
train_predictions = svm_model.predict(X_train)
train_accuracy = accuracy_score(y_train, train_predictions)

# 在测试集上进行预测
test_predictions = svm_model.predict(X_test)
test_accuracy = accuracy_score(y_test, test_predictions)

print("训练集准确率: {:.2f}%".format(train_accuracy * 100))
print("测试集准确率: {:.2f}%".format(test_accuracy * 100))

在上述代码中，我们使用`SVC`类创建了一个使用高斯核的SVM模型。然后，我们使用训练集数据`X_train`和对应的标签`y_train`来训练模型。接着，我们分别用训练好的模型在训练集和测试集上进行预测，并计算准确率。

请确保将训练集和测试集数据替换为实际数据，并确保数据的格式正确。