第1关：利用sklearn构建支持向量机模型

第1关：在Python中，使用Scikit-Learn库构建支持向量机（SVM）模型通常包括以下几个步骤：

1. **导入所需库**：
首先需要导入`sklearn`库中的`svm`模块，以及数据预处理模块如`numpy`、`pandas`等。

import numpy as np
import pandas as pd
from sklearn import svm
from sklearn.model_selection import train_test_split

2. **加载数据**：
加载数据集，可以是CSV文件、CSV-like结构或者其他数据源。例如，如果你的数据已经在DataFrame里：

data = pd.read_csv('your_dataset.csv')
X = data.drop('target_column', axis=1) # 特征
y = data['target_column']          # 目标变量

3. **数据预处理**：
对特征进行归一化或编码处理，确保数据适合SVM。例如，对于数值型数据，可以进行标准化：

X = preprocessing.StandardScaler().fit_transform(X)

4. **拆分数据集**：
将数据分为训练集和测试集，以便评估模型性能：

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

5. **创建模型**：
使用`svm.SVC()`函数创建SVM分类器，可以选择线性核函数或其他内核函数（如多项式或RBF）。

model = svm.SVC(kernel='linear') # 或者 kernel='rbf'

6. **训练模型**：
将训练数据拟合到模型：

model.fit(X_train, y_train)

7. **预测**：
使用训练好的模型对测试集进行预测：

y_pred = model.predict(X_test)

8. **评估模型**：
可以通过计算准确率、精确率、召回率、F1分数等指标评估模型性能。

from sklearn.metrics import accuracy_score, classification_report
print("Accuracy:", accuracy_score(y_test, y_pred))
print(classification_report(y_test, y_pred))