任务2：实现SVM算法 任务3：实现任意一种自启发寻优算法或使用网格搜索，对SVM的参数进行寻优，并进行可视化 例如

任务2：支持向量机（Support Vector Machine，SVM）是一种监督学习模型，特别适用于二分类和小规模的非线性数据集。要实现SVM算法，首先你需要导入相关的库如`sklearn.svm`，然后创建SVM对象，设置内核函数（如线性、多项式或径向基函数RBF），并使用训练数据拟合模型。示例代码如下：

from sklearn import svm
import numpy as np

# 假设X_train和y_train是已标记的数据集
clf = svm.SVC(kernel='rbf')  # 使用径向基函数（默认）
clf.fit(X_train, y_train)

任务3：对于SVM参数的优化，可以使用自启发式优化算法如粒子群优化（Particle Swarm Optimization, PSO）、遗传算法（Genetic Algorithm, GA）或网格搜索（Grid Search）。这里以网格搜索为例：

from sklearn.model_selection import GridSearchCV
param_grid = {'C': [0.1, 1, 10, 100], 'gamma': [1, 0.1, 0.01, 0.001], 'kernel': ['linear', 'rbf']}  # 定义参数空间

grid_search = GridSearchCV(svm.SVC(), param_grid, cv=5)  # 设置交叉验证次数
grid_search.fit(X_train, y_train)

best_params = grid_search.best_params_
best_score = grid_search.best_score_

# 可视化结果通常通过matplotlib，例如画出各个参数组合的精度评分热图