程序设攓-SVC 题目要求： 使用scikit-learn攎中的SVM来对完整的鸢尾花数据集攑行多分类。选择攕适的核攐数（如瓚向基攐数RBF），并对所有三个类别攑行训练和拦测。最后，攓算并输出模型的准确性。 拦期结果： 输出模型在测试集上的准确率。

在Python中，我们可以使用Scikit-learn库（sklearn）中的Support Vector Classifier (SVC)来进行多分类任务，比如鸢尾花数据集（Iris dataset）。这是一个经典的机器学习数据集，包含三种类型的鸢尾花样本，每种都有四个特征。以下是一个简单的步骤概述来完成这个任务：

1. 导入所需库：

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

2. 加载鸢尾花数据集：

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

3. 数据预处理：
- 分割数据集为训练集和测试集：

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

- 对数据标准化，因为SVM对输入特征尺度敏感：

     scaler = StandardScaler()
     X_train = scaler.fit_transform(X_train)
     X_test = scaler.transform(X_test)

4. 选择合适的核函数（这里以RBF核为例）并训练SVC模型：

     kernel = 'rbf'  # 使用径向基函数(RBF)核
     svc = SVC(kernel=kernel)
     svc.fit(X_train, y_train)

5. 预测测试集并计算准确性：

     y_pred = svc.predict(X_test)
     accuracy = accuracy_score(y_test, y_pred)
     print(f"模型在测试集上的准确率为: {accuracy * 100}%")

在这个例子中，我们首先将数据划分为训练集和测试集，然后使用标准化技术处理特征，接着训练SVC模型，并使用测试集评估其性能，最终输出模型在测试集上的精度。选择适当的核参数可能需要通过交叉验证来进行优化，这里为了简洁起见没有详细展开这一部分。