用python实现支持向量机分类的代码

在Python中，我们可以使用Scikit-Learn库来实现支持向量机（SVM）的分类。这里是一个简单的例子，展示如何使用Scikit-Learn的`SVC`（Support Vector Classifier）类来训练一个线性SVM模型：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载数据集，例如鸢尾花数据集
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)

# 创建SVM分类器
svm_classifier = SVC(kernel='linear') # 'linear'表示使用线性核函数

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

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

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 如果需要可视化决策边界，可以尝试使用如`matplotlib`等库，但这超出了本例的范围

在这个例子中，我们首先加载了数据集，然后将数据划分为训练集和测试集。接着创建了一个线性核的支持向量机，并使用训练数据对其进行训练。最后，我们在测试集上进行了预测，并计算了模型的准确性。