作业09a:使用svm对iris数据集分类

好的，我会为您讲解如何使用 SVM 对 iris 数据集进行分类。

首先，我们需要加载 iris 数据集。可以使用 scikit-learn 库中的 load_iris 函数：

from sklearn.datasets import load_iris

data = load_iris()
X = data.data  # 特征
y = data.target  # 标签

接下来，我们需要将数据集分成训练集和测试集。可以使用 scikit-learn 库中的 train_test_split 函数：

from sklearn.model_selection import train_test_split

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

然后，我们可以使用 SVM 进行分类。可以使用 scikit-learn 库中的 SVC 类：

from sklearn.svm import SVC

model = SVC(kernel='linear')
model.fit(X_train, y_train)

在上面的代码中，我们使用线性核函数（kernel='linear'）创建了一个 SVM 模型，并使用训练集进行拟合（fit）。

最后，我们可以使用测试集来评估模型的性能。可以使用 scikit-learn 库中的 accuracy_score 函数来计算准确率：

from sklearn.metrics import accuracy_score

y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("准确率：", accuracy)

这就是使用 SVM 对 iris 数据集进行分类的基本流程。您可以根据需要调整 SVM 模型的参数来提高分类性能。