支持向量机与l2正则化混合代码实例

支持向量机（Support Vector Machine，SVM）是一种用的机器学习算法，用于分类和回归问题。它通过在特征空间中找到一个最优的超平面来进行分类或回归。

L2正则化是SVM中的一种正则化方法，它通过在目标函数中添加一个L2范数的惩罚项来控制模型的复杂度，防止过拟合。

下面是一个使用支持向量机与L2正则化的混合代码实例：

from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

# 加载数据集
iris = load_iris()
X, y = iris.data, iris.target
# 数据预处理
scaler = StandardScaler()
X = scaler.fit_transform(X)

# 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模型
svm = SVC(kernel='linear', C=1.0, penalty='l2')

# 模型训练
svm.fit(X_train, y_train)

# 模型预测
y_pred = svm.predict(X_test)

# 模型评估
accuracy = svm.score(X_test, y_test)
print("Accuracy:", accuracy)

在上述代码中，我们首先导入了需要的库，包括`SVC`（支持向量机模型）、`load_iris`（加载鸢尾花数据集）、`train_test_split`（划分训练集和测试集）和`StandardScaler`（数据预处理）等。

然后，我们加载了鸢尾花数据集，并进行了数据预处理，使用`StandardScaler`对特征进行标准化。

接下来，我们使用`train_test_split`将数据集划分为训练集和测试集。

然后，我们创建了一个SVM模型，指定了线性核函数（`kernel='linear'`）、正则化参数C的值为1.0（`C=1.0`）以及L2正则化（`penalty='l2'`）。

然后，我们使用训练集对模型进行训练，使用测试集进行预测，并计算了模型的准确率。

最后，我们打印出模型的准确率。