python 写一个SVM数据分类

当使用 SVM 进行数据分类时，你可以使用 scikit-learn 库中的 `SVC` 类。下面是一个简单的示例代码，展示了如何使用 SVM 对数据进行分类：

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

# 加载示例数据集
iris = datasets.load_iris()
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=0.2, random_state=42)

# 创建 SVM 分类器对象
svm = SVC()

# 在训练集上拟合模型
svm.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = svm.predict(X_test)

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

上述代码的步骤如下：
1. 导入所需的库：`datasets`、`train_test_split`、`SVC` 和 `accuracy_score`。
2. 加载一个示例数据集（这里使用的是 Iris 数据集）。
3. 将数据集划分为训练集和测试集。
4. 创建一个 SVM 分类器对象。
5. 在训练集上拟合模型。
6. 在测试集上进行预测。
7. 计算预测准确率。

你可以根据自己的数据集和需求对代码进行适当的修改。确保你已经安装了 scikit-learn 库，并根据需要导入其他所需的库。