支持向量机实操算法代码

支持向量机（Support Vector Machine，SVM）是一种常见的机器学习算法，常用于分类和回归问题。以下是支持向量机的实操算法代码：

首先，导入必要的包：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets

接着，我们可以使用sklearn内置的鸢尾花数据集进行分类任务。代码如下：

# 加载鸢尾花数据集
iris = datasets.load_iris()

# 只取前两个特征，方便可视化
X = iris.data[:, :2]
y = iris.target

# 绘制数据点
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.coolwarm)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

接着，我们可以使用sklearn的SVM模型进行分类。代码如下：

# 创建支持向量机模型
clf = svm.SVC(kernel='linear', C=1)

# 拟合模型
clf.fit(X, y)

# 绘制决策边界
w = clf.coef_
a = -w / w
xx = np.linspace(4, 8)
yy = a * xx - (clf.intercept_) / w

plt.plot(xx, yy, 'k-')
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.coolwarm)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

最后，我们可以使用训练好的模型进行预测。代码如下：

# 预测新数据点的类别
new_data = [[6.0, 3.0]]
print(clf.predict(new_data))

以上就是支持向量机实操算法的基本代码示例，可以根据具体问题进行修改和调整。如果您有更多关于支持向量机的问题，欢迎继续提问！