利用sklearn构建支持向量机模型机器学习

在Python的scikit-learn库中，支持向量机（SVM，Support Vector Machine）是一种监督学习算法，常用于分类和回归任务。构建SVM模型主要包括以下几个步骤：

1. **导入库**：首先需要导入`sklearn`库，特别是`svm`模块。

from sklearn import svm

2. **数据预处理**：将数据集分为特征（X）和目标变量（y）。通常需要对数据进行标准化或归一化。

import pandas as pd
# 加载数据
data = pd.read_csv('your_dataset.csv')
X = data.iloc[:, :-1]  # 特征
y = data.iloc[:, -1]   # 目标变量

3. **选择核函数**：SVM有多种内核可以选择，如线性、多项式、径向基函数（RBF）等。比如用RBF核：

kernel = 'rbf'

4. **创建并训练模型**：

clf = svm.SVC(kernel=kernel)  # 创建SVM分类器
clf.fit(X, y)  # 使用训练数据拟合模型

5. **评估模型**：使用测试数据集评估模型性能，可以计算准确率、精确率、召回率等指标。

from sklearn.metrics import accuracy_score
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

6. **保存和使用模型**：如果需要持久化模型，可以使用`joblib`模块：

from joblib import dump
dump(clf, 'svm_model.joblib')  # 保存模型
loaded_clf = load('svm_model.joblib')  # 从文件加载模型