svm算法python
时间: 2023-07-10 11:12:17 浏览: 108
在Python中使用SVM算法可以使用scikit-learn库。下面是一个简单的示例代码:
```python
from sklearn import svm
from sklearn import datasets
from sklearn.model_selection import train_test_split
# 加载数据集
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=0.3, random_state=0)
# 创建SVM分类器
clf = svm.SVC(kernel='linear', C=1).fit(X_train, y_train)
# 在测试集上进行预测
y_pred = clf.predict(X_test)
# 计算准确率
accuracy = clf.score(X_test, y_test)
print("Accuracy:", accuracy)
```
在这个示例中,我们加载了一个Iris数据集,将其拆分为训练集和测试集,创建了一个SVM分类器并在测试集上进行了预测。最后,我们计算了分类器的准确率。你可以根据自己的需求调整SVM分类器的参数。
相关问题
svm算法python实现
使用Python实现SVM算法可以使用scikit-learn库。以下是一个简单的SVM分类器的例子:
首先,导入必要的库:
```python
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm
from sklearn.metrics import accuracy_score
```
然后,加载数据集:
```python
iris = datasets.load_iris()
X = iris.data
y = iris.target
```
将数据集分为训练集和测试集:
```python
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=123)
```
创建SVM分类器:
```python
clf = svm.SVC(kernel='linear', C=1)
```
使用训练集训练分类器:
```python
clf.fit(X_train, y_train)
```
使用测试集预测:
```python
y_pred = clf.predict(X_test)
```
计算分类器的准确率:
```python
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
```
这就是一个简单的SVM分类器的Python实现。
svm算法python代码
可以直接回答这个问题,以下是一个简单的 SVM 算法 Python 代码:
```
from sklearn import datasets
from sklearn import svm
# 导入iris数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 定义SVM模型
clf = svm.SVC(kernel='linear', C=1)
# 使用iris数据集进行训练
clf.fit(X, y)
# 预测一组数据
print(clf.predict([[5.1, 3.5, 1.4, 0.2]]))
```
阅读全文