给出svm图像识别python代码

SVM (支持向量机) 是一种常用的机器学习算法，在图像识别中可以用于分类任务。以下是一个简单的Python代码示例，展示如何使用scikit-learn库进行SVM图像分类：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
import matplotlib.pyplot as plt

# 加载数据集（这里假设使用的是Iris数据集作为示例）
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 数据预处理，分割特征和目标变量，并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=42)

# 特征缩放，使得各个特征的尺度一致，提高模型性能
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# 创建并训练SVM模型
svm = SVC(kernel='linear')  # 使用线性核函数，也可以选择其他如'poly', 'rbf'
svm.fit(X_train_scaled, y_train)

# 预测测试集
predictions = svm.predict(X_test_scaled)

# 打印预测结果和准确率
print("Predictions:", predictions)
print("Accuracy:", svm.score(X_test_scaled, y_test))

# 可视化决策边界（仅限于二维数据）
if X.shape[1] <= 3:
    # 将高维数据投影到前两个维度
    X_combined = np.vstack((X_train_scaled, X_test_scaled))
    y_combined = np.hstack((y_train, y_test))
    plt.scatter(X_combined[:, 0], X_combined[:, 1], c=y_combined, cmap=plt.cm.Paired)
    plt.xlabel('Feature 0')
    plt.ylabel('Feature 1')
    plt.title('SVM Decision Boundary')
    plt.show()