Python的支持向量机实例代码

当然，下面是一个简单的Python支持向量机（SVM）的实例代码：

# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建SVM分类器对象
svm = SVC()

# 在训练集上训练SVM模型
svm.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = svm.predict(X_test)
# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

这个例子使用了scikit-learn库中的SVC类来实现支持向量机分类器。它加载了鸢尾花数据集，将数据集拆分为训练集和测试集，然后使用训练集训练SVM模型，并在测试集上进行预测。最后，计算并打印出准确率。

相关问题

使用Python运行支持向量机实例

可以使用scikit-learn库来实现支持向量机，以下是一个简单的示例代码：

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

# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target

# 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=0)

# 创建SVM分类器
clf = svm.SVC(kernel='linear', C=1.0)

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = clf.score(X_test, y_test)
print("Accuracy:", accuracy)

这个示例代码使用了鸢尾花数据集，将数据集划分为训练集和测试集，创建了一个线性核的SVM分类器，并用训练集训练模型，最后用测试集进行预测并计算准确率。

svm支持向量机python实例及代码

以下是一个简单的 SVM 支持向量机的 Python 代码示例：

from sklearn import svm
from sklearn.datasets import make_blobs
import matplotlib.pyplot as plt
import numpy as np

# 创建一个样本集，共100个样本，2个特征，分为2类
X, y = make_blobs(n_samples=100, n_features=2, centers=2, random_state=6)

# 使用线性 SVM 模型
clf = svm.SVC(kernel='linear', C=1000)
clf.fit(X, y)

# 绘制样本点和决策边界
plt.scatter(X[:, 0], X[:, 1], c=y, s=30, cmap=plt.cm.Paired)
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()

# 创建一个网格来绘制决策边界
xx = np.linspace(xlim[0], xlim[1], 30)
yy = np.linspace(ylim[0], ylim[1], 30)
YY, XX = np.meshgrid(yy, xx)
xy = np.vstack([XX.ravel(), YY.ravel()]).T
Z = clf.decision_function(xy).reshape(XX.shape)

# 绘制决策边界和间隔边界
ax.contour(XX, YY, Z, colors='k', levels=[-1, 0, 1], alpha=0.5, linestyles=['--', '-', '--'])
ax.scatter(clf.support_vectors_[:, 0], clf.support_vectors_[:, 1], s=100, linewidth=1, facecolors='none', edgecolors='k')
plt.show()

这个示例使用 Scikit-learn 库中的 SVM 实现，创建了一个样本集，使用线性 SVM 模型进行训练，然后绘制出决策边界和间隔边界。注意，这个示例只是一个简单的 SVM 实现，实际应用中需要根据具体问题选择合适的参数和核函数等。