帮我用鸢尾花（Iris）数据集中的两个特征在python环境下用五折交叉方法实现线性可分SVM，并可视化数据点和分类边界，再计算准确率

在Python环境下，我们可以使用Scikit-learn库中的`Iris`数据集和`SVC`（支持向量机）来进行线性可分的分类。这里我们将使用两个特征（例如花瓣长度（petal length）和花瓣宽度（petal width））进行五折交叉验证，并可视化结果。以下是步骤：

首先，安装必要的库：

pip install numpy pandas scikit-learn matplotlib seaborn

然后，导入所需的模块并加载数据：

import numpy as np
import pandas as pd
from sklearn import datasets
from sklearn.model_selection import train_test_split, cross_val_score, KFold
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score, confusion_matrix
import matplotlib.pyplot as plt
import seaborn as sns

# 加载Iris数据集
iris = datasets.load_iris()
X = iris.data[:, [0, 2]]  # 选择前两个特征
y = iris.target

接下来，分割数据并创建训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

选择五折交叉验证并使用线性SVM模型：

cv = KFold(n_splits=5, shuffle=True, random_state=42)
svm = SVC(kernel='linear')  # 使用线性核函数
scores = cross_val_score(svm, X_train, y_train, cv=cv)
mean_accuracy = scores.mean()
print("五折交叉验证平均准确率:", mean_accuracy)

svm.fit(X_train, y_train)

评估模型并在测试集上计算准确率：

y_pred = svm.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("测试集准确率:", accuracy)

最后，绘制数据点和分类边界：

def plot_data_and_boundary(X, y, model, title):
    plt.figure(figsize=(8, 6))
    plt.scatter(X[y == 0, 0], X[y == 0, 1], label='Setosa', color='blue')
    plt.scatter(X[y == 1, 0], X[y == 1, 1], label='Versicolor', color='green')
    plt.scatter(X[y == 2, 0], X[y == 2, 1], label='Virginica', color='red')

    x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx, yy = np.meshgrid(np.linspace(x_min, x_max, 100),
                         np.linspace(y_min, y_max, 100))

    Z = model.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    plt.contourf(xx, yy, Z, alpha=0.3, cmap=plt.cm.PuBu_r)

    plt.xlabel('Petal Length')
    plt.ylabel('Petal Width')
    plt.title(title)
    plt.legend(loc='upper left')
    plt.show()

plot_data_and_boundary(X_test, y_test, svm, "Linear SVM Decision Boundaries")

至此，你就完成了鸢尾花数据集的二维特征下线性可分SVM分类，以及数据可视化和准确率计算。