简单上手sklearn机器学习支持向量机

支持向量机（Support Vector Machine，SVM）是一种监督学习模型，在分类和回归问题中非常有效。在scikit-learn库中，安装并上手SVM是相对简单的。以下是步骤：

1. **安装依赖**:
首先确保已安装了Python及其基本科学计算库如NumPy、Pandas等，然后通过pip安装`scikit-learn`：

   pip install scikit-learn

2. **导入模块**:
使用import语句导入所需的模块：

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

3. **加载数据集**:
示例性地，你可以从scikit-learn自带的数据集中选择一个，如鸢尾花（Iris）数据集：

   iris = datasets.load_iris()
   X = iris.data
   y = iris.target

4. **划分训练集和测试集**:
这样可以评估模型在未见过的数据上的性能：

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

5. **创建并训练模型**:
使用`SVC`类创建一个线性核的支持向量机，并进行训练：

   svm = SVC(kernel='linear')  # 或者尝试其他核函数如'rbf'
   svm.fit(X_train, y_train)

6. **预测和评估**:
对测试集进行预测，然后计算准确率：

   y_pred = svm.predict(X_test)
   accuracy = accuracy_score(y_test, y_pred)
   print(f"Accuracy: {accuracy}")

7. **调整参数**:
SVM有很多参数需要调整以优化模型性能，例如C参数和gamma。你可以使用GridSearchCV或其他交叉验证方法来寻找最佳参数组合。