多分类支持向量机代码

多分类支持向量机（Multi-class Support Vector Machine, SVM）是一种监督学习算法，用于解决分类问题，特别适用于非线性可分数据。SVM的核心思想是找到最优的超平面来最大化类别间的间隔。在多分类问题中，通常采用一些策略如一对一（One-vs-One）、一对多（One-vs-Rest）或多元分类核方法（如线性SVM扩展到多类）。

以下是使用Python的scikit-learn库实现多分类支持向量机的一对多（One-vs-Rest）策略的一个简单示例：

from sklearn import svm
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import LabelBinarizer

# 加载鸢尾花数据集
iris = load_iris()
X = iris.data
y = iris.target

# 将标签转换为二进制编码
lb = LabelBinarizer()
y_one_hot = lb.fit_transform(y)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y_one_hot, test_size=0.2, random_state=42)

# 创建一个One-vs-Rest的SVC分类器
multi_classifier = svm.SVC(kernel='linear', probability=True)

# 训练模型
multi_classifier.fit(X_train, y_train)

# 预测
y_pred = multi_classifier.predict(X_test)

# 评估模型
print("Accuracy:", multi_classifier.score(X_test, y_test))

在这个例子中，我们首先加载了鸢尾花数据集，并将其标签转换为二进制表示。然后将数据划分为训练集和测试集，创建了一个SVC分类器，并指定使用线性内核。`probability=True`参数使得模型能够输出预测的概率。最后，我们训练模型并进行预测，同时计算模型的准确率。