写一个Svm的机器学习算法

# 导入必要的库
import numpy as np
from sklearn import datasets
from sklearn.pipeline import Pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.svm import LinearSVC

# 加载数据集
iris = datasets.load_iris()
X = iris["data"][:, (2, 3)]  # petal length, petal width
y = (iris["target"] == 2).astype(np.float64)  # Iris-Virginica

# 构建SVM模型
svm_clf = Pipeline([
        ("scaler", StandardScaler()),
        ("linear_svc", LinearSVC(C=1, loss="hinge")),
    ])

# 训练模型
svm_clf.fit(X, y)

# 预测新数据
new_data = [[5.5, 1.7], [4.2, 1.5]]
svm_clf.predict(new_data)

以上代码演示了如何使用sklearn库中的LinearSVC类构建一个SVM模型，并对新数据进行预测。在这个例子中，我们使用鸢尾花数据集作为训练数据，预测花的种类是否为Iris-Virginica。模型的训练过程包括数据标准化和线性SVM分类器的训练。最后，我们使用模型对两个新数据进行了预测。