SVM分类问题代码，可进行参数选择

支持向量机（SVM）是一种常用的机器学习算法，用于分类和回归问题。在处理分类问题时，选择合适的参数对于模型性能至关重要。以下是一个基本的使用Scikit-Learn库在Python中实现SVM分类问题，并进行参数优化的示例：

首先，确保安装了必要的库：

pip install scikit-learn numpy matplotlib

然后，我们可以创建一个简单的SVM分类器并使用GridSearchCV进行参数搜索：

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.svm import SVC
from sklearn.metrics import classification_report
import matplotlib.pyplot as plt

# 加载数据集（这里以Iris数据集为例）
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 初始化SVM分类器
svm = SVC()

# 设置参数网格搜索范围（例如，C值和gamma值）
param_grid = {'C': [0.1, 1, 10, 100], 'gamma': ['scale', 'auto']}

# 创建GridSearchCV实例
grid_search = GridSearchCV(svm, param_grid, cv=5)  # 使用交叉验证

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

# 获取最佳参数
best_params = grid_search.best_params_
print(f"Best parameters: {best_params}")

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

# 评估模型
print(classification_report(y_test, y_pred))

# 可视化结果
plt.figure(figsize=(10, 6))
plt.plot(range(1, len(grid_search.cv_results_['mean_test_score'])+1), grid_search.cv_results_['mean_test_score'], marker='o')
plt.xlabel('Parameter sets')
plt.ylabel('Cross-validation score')
plt.title(f"SVM Parameter Tuning Results ({best_params})")
plt.show()

在这个例子中，我们首先加载数据、划分数据集，然后定义了一个SVM分类器并设置了一个参数网格。通过GridSearchCV，我们可以在给定的参数范围内找到最优组合。最后，我们评估了模型在测试集上的性能，并可视化了不同参数组合的平均交叉验证得分。