svm二分类预测python代码

以下是一个简单的SVM二分类预测的Python代码示例：

from sklearn import svm
import numpy as np

# 创建训练数据
X = np.array([[0, 0], [1, 1]])
y = np.array([0, 1])

# 创建SVM分类器对象
clf = svm.SVC(kernel='linear', C=1)

# 训练模型
clf.fit(X, y)

# 创建测试数据
test_data = np.array([[2., 2.], [-1., -2.]])

# 进行预测
result = clf.predict(test_data)

# 打印预测结果
print(result)

在上面的代码中，我们使用了Scikit-learn来创建SVM分类器对象，并使用线性核函数和C=1来训练模型。然后我们使用测试数据进行预测，并打印出预测结果。

相关问题

svm二分类预测的python代码

以下是一个简单的 SVM 二分类预测的 Python 代码示例：

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

# 加载 iris 数据集
iris = datasets.load_iris()
X = iris.data[:, :2] # 提取前两个特征
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)

# 定义 SVM 模型并训练
svm = SVC(kernel='linear', C=1.0)
svm.fit(X_train, y_train)

# 预测测试集结果
y_pred = svm.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

该代码首先加载 iris 数据集，然后使用 `train_test_split()` 方法将数据集划分为训练集和测试集。接着，定义一个 SVM 模型并使用训练数据进行训练。最后，使用测试集进行预测，并计算准确率。注意，该代码中使用的 SVM 模型是基于线性核函数的。如果需要使用其他核函数，可以在 `SVC()` 方法中指定相应的 `kernel` 参数。

svm数据二分类python代码

以下是一个简单的SVM数据二分类Python代码示例：

from sklearn import svm
import numpy as np

# 生成训练数据
X = np.array([[0, 0], [1, 1]])
y = np.array([0, 1])

# 训练模型
clf = svm.SVC(kernel='linear')
clf.fit(X, y)

# 预测新数据
print(clf.predict([[2., 2.]])) # 输出：[1]

该代码使用了scikit-learn库中的SVM分类器，首先生成了一个包含两个样本的训练数据集X和标签y，然后使用SVC类进行模型训练，其中kernel参数指定了使用线性核函数，最后使用训练好的模型对新数据进行预测并输出预测结果。