支持向量机 实例及评估代码

好的，以下是一个支持向量机的示例和评估代码：

# 导入必要的库
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

# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建支持向量机模型
model = SVC(kernel='linear')

# 训练模型
model.fit(X_train, y_train)

# 预测测试集
y_pred = model.predict(X_test)

# 评估模型准确率
accuracy = accuracy_score(y_test, y_pred)

# 打印准确率
print("Accuracy:", accuracy)

在这个示例中，我们使用`sklearn`库中的`datasets`模块加载了鸢尾花数据集。然后，我们使用`train_test_split`方法将数据集分为训练集和测试集。接着，我们使用`SVC`类创建了一个支持向量机模型，并使用训练集拟合了模型。然后，我们使用测试集进行预测，并使用`accuracy_score`方法计算模型的准确率。

请注意，这只是一个简单的示例，可以使用其他数据集和调整模型参数来改进模型的性能。