生成代码搭建并创建支持向量机模型实现玻璃等级划分问题。将数据集按８:２的比例划分为训练集和 测试集，使用 SVM 分类器对训练集进行训练，并使用测试集测试玻璃等级划分的准确性，绘制 ROC 曲线评价分类模型

好的，以下是你需要的代码，可以完成玻璃等级划分问题，使用 SVM 分类器对训练集进行训练，并使用测试集测试玻璃等级划分的准确性，并绘制 ROC 曲线评价分类模型：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import roc_curve, auc

# 读取数据
data = pd.read_csv('glass.csv')
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 数据集划分
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# SVM分类器训练
classifier = SVC(kernel='linear', probability=True)
classifier.fit(X_train, y_train)

# 模型预测
y_pred = classifier.predict(X_test)

# 绘制 ROC 曲线评价分类模型
fpr, tpr, thresholds = roc_curve(y_test, classifier.predict_proba(X_test)[:,1], pos_label=2)
roc_auc = auc(fpr, tpr)

plt.plot(fpr, tpr, color='darkorange', lw=2, label='ROC curve (area = %0.2f)' % roc_auc)
plt.plot([0, 1], [0, 1], color='navy', lw=2, linestyle='--')
plt.xlim([0.0, 1.0])
plt.ylim([0.0, 1.05])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('ROC Curve')
plt.legend(loc="lower right")
plt.show()

# 输出准确率
accuracy = np.mean(y_pred == y_test)
print('准确率：', accuracy)

请注意，上面的代码需要先安装以下库：

- pandas
- numpy
- matplotlib
- scikit-learn

另外，你需要将数据集保存到 'glass.csv' 文件中，并与代码放置在同一目录下。