python svm多分类

在Python中使用支持向量机（SVM）进行多分类，通常有两种常见的方法：

1. One-vs-One (OvO)：将每个类别之间进行两两比较，建立多个二分类模型，最终将每个模型的预测结果进行投票决定最终分类。

2. One-vs-All (OvA)：将每个类别与其它所有类别进行比较，建立多个二分类模型，最终将预测概率最高的类别作为最终分类。

下面是一个使用SVM进行多分类的示例代码：

from sklearn import svm
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 创建一个多分类数据集
X, y = make_classification(n_samples=1000, n_classes=3, random_state=42)

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建SVM分类器，并使用OvA策略
clf = svm.SVC(decision_function_shape='ovr')

# 训练模型
clf.fit(X_train, y_train)

# 测试模型
accuracy = clf.score(X_test, y_test)
print("Accuracy:", accuracy)

在上面的代码中，我们使用了`svm.SVC`类来创建一个支持向量机分类器，并将`decision_function_shape`参数设置为`'ovr'`，表示使用One-vs-All策略进行多分类。我们还使用`train_test_split`函数将数据集划分为训练集和测试集，并使用`clf.fit`函数训练模型。最后，我们使用`clf.score`函数计算模型在测试集上的准确率。

需要注意的是，SVM是一种二分类算法，因此在进行多分类时需要使用上述提到的策略。同时，还可以使用其他的多分类算法，如K近邻分类、决策树等。