svm，python代码

在Python中，我们可以使用scikit-learn库来实现支持向量机(SVM)。下面是一个简单的例子，展示如何使用SVM进行二分类：

# 导入所需的库
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

# 加载数据集（这里假设我们使用Iris数据集作为示例）
iris = datasets.load_iris()
X = iris.data[:, :2]  # 取前两维特征用于简化示例
y = iris.target

# 数据预处理，标准化数据
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3, random_state=42)

# 创建并训练SVM模型（默认的线性核）
svm_model = SVC(kernel='linear')
svm_model.fit(X_train, y_train)

# 预测测试集
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}%")

这个例子中，我们选择了线性核，但也可以选择其他内核，如`kernel='rbf'`（径向基函数）来进行非线性分类。记住，在实际应用中，可能还需要调整参数（如`C`、`gamma`等）以优化模型性能。