SVM在鸢尾花数据集上的分类

SVM（支持向量机）是一种常用的分类算法，可以用于鸢尾花数据集的分类。

在Python中，可以使用scikit-learn库来实现SVM分类器。

以下是一个简单的SVM分类器示例：

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

# 加载鸢尾花数据集
iris = datasets.load_iris()

# 获取数据集中的特征和标签
X = iris.data
y = iris.target

# 将数据集划分为训练集和测试集
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 = SVC(kernel='linear', C=1, random_state=0)

# 在训练集上训练分类器
clf.fit(X_train, y_train)

# 在测试集上测试分类器
accuracy = clf.score(X_test, y_test)

print("Accuracy:", accuracy)

在上面的示例中，首先加载鸢尾花数据集，然后将数据集随机划分为训练集和测试集。接着创建一个SVM分类器，并在训练集上训练分类器。最后，使用测试集测试分类器性能并输出准确率。

在这个示例中，我们使用了线性核函数（kernel='linear'）和正则化参数C=1。你可以尝试不同的核函数和参数来优化分类器的性能。