支持向量机分类近红外光谱数据Python代码

支持向量机（SVM）是一种常用的机器学习算法，尤其适用于小样本、非线性和高维数据。在Python中，我们可以使用Scikit-Learn库来实现SVM对近红外光谱数据的分类。下面是一个简单的例子：

# 导入所需的库
from sklearn import svm
from sklearn.model_selection import train_test_split
import pandas as pd

# 假设你有一个名为data.csv的数据集，包含特征列（X）和标签列（y）
data = pd.read_csv('data.csv')

# 提取特征和目标变量
X = data.iloc[:, :-1]  # 近红外光谱数据通常作为特征
y = data.iloc[:, -1]   # 目标变量或类别标签

# 数据预处理，如归一化或标准化
from sklearn.preprocessing import StandardScaler
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=0.2, random_state=42)

# 创建SVM分类器
svm_classifier = svm.SVC(kernel='linear')  # 使用线性核函数，可以根据需要改变kernel参数

# 训练模型
svm_classifier.fit(X_train, y_train)

# 预测
y_pred = svm_classifier.predict(X_test)

# 评估模型性能
from sklearn.metrics import accuracy_score
accuracy = accuracy_score(y_test, y_pred)
print(f"Accuracy: {accuracy}")