使用python 利用支持向量机实现对iris数据集的分类

好的，以下是使用Python实现对iris数据集分类的支持向量机代码示例。

首先，我们需要导入必要的库：sklearn，numpy，matplotlib等。

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
import numpy as np
import matplotlib.pyplot as plt

然后，我们可以加载iris数据集，并将其分割为训练集和测试集。

# 加载iris数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集分割为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

接下来，我们可以创建一个支持向量机分类器，并使用训练集对其进行拟合。

# 创建支持向量机分类器
svm = SVC(kernel='linear')

# 拟合模型
svm.fit(X_train, y_train)

最后，我们可以使用测试集评估模型的性能，并可视化支持向量。

# 预测测试集
y_pred = svm.predict(X_test)

# 计算模型的精度
accuracy = np.mean(y_pred == y_test)
print('Model accuracy:', accuracy)

# 可视化支持向量
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap='viridis')
plt.scatter(svm.support_vectors_[:, 0], svm.support_vectors_[:, 1], color='red', marker='x')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

完整的代码示例如下：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
import numpy as np
import matplotlib.pyplot as plt

# 加载iris数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集分割为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建支持向量机分类器
svm = SVC(kernel='linear')

# 拟合模型
svm.fit(X_train, y_train)

# 预测测试集
y_pred = svm.predict(X_test)

# 计算模型的精度
accuracy = np.mean(y_pred == y_test)
print('Model accuracy:', accuracy)

# 可视化支持向量
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap='viridis')
plt.scatter(svm.support_vectors_[:, 0], svm.support_vectors_[:, 1], color='red', marker='x')
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.show()

希望这可以帮助您。