支持向量机代码三线表

支持向量机（Support Vector Machine, SVM）是一种监督学习算法，用于分类和回归分析，其核心思想是找到最优超平面将数据分隔开来。在Python中，Scikit-learn库提供了丰富的SVM实现。以下是一个简单的支持向量机代码示例，包括了训练模型、预测和关键参数的设置：

# 导入必要的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn.metrics import accuracy_score

# 加载数据集（这里以鸢尾花数据为例）
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 数据预处理（分割训练集和测试集）
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 选择SVM模型（线性核为例）
model = svm.SVC(kernel='linear')  # 'rbf' 或其他内核也可选择

# 训练模型
model.fit(X_train, y_train)

# 预测
y_pred = model.predict(X_test)

# 评估模型性能
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 可能的参数调整示例
# 更改C参数，控制误差和间隔大小
# model = svm.SVC(kernel='linear', C=1.0)  # C值越大，模型越倾向于找到支持向量