课后练习第六章 支持向量机

### 关于支持向量机的课后练习解决方案

对于希望深入理解并实践支持向量机（SVM）的学习者而言，获取高质量的课后习题及其解答至关重要。在吴恩达教授提供的机器学习课程中，关于支持向量机的内容被安排在第十二周的教学计划里[^1]。

#### 练习题目设计思路
为了帮助学生更好地掌握SVM理论基础以及实际应用技巧，在该章节设置了多项选择题形式的小测验来检验学员的理解程度。这些测试不仅涵盖了优化目标函数等核心概念，还包括如何调整参数C和核函数的选择等内容。

#### 实践项目建议
除了完成在线平台上的随堂练习外，还可以尝试参与Kaggle竞赛中的分类问题挑战赛；通过真实数据集的操作加深对算法原理的认识，并学会解决工程实现过程中遇到的各种难题。此外，GitHub上有许多开源的支持向量机案例可供参考学习。

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

# 加载鸢尾花数据集作为示例
iris = datasets.load_iris()
X, y = iris.data[:, [2, 3]], iris.target

# 数据预处理
scaler = StandardScaler().fit(X)
X_std = scaler.transform(X)

# 划分训练集与测试集
X_train, X_test, y_train, y_test = train_test_split(
    X_std, y, test_size=0.3, random_state=1, stratify=y)

# 使用线性核构建模型
svm = SVC(kernel='linear', C=1.0, random_state=1)
svm.fit(X_train, y_train)