sklearn支持向量机例子

当然，Scikit-learn库提供了对支持向量机（Support Vector Machines，SVM）的支持。下面是一个简单的使用SVM进行分类的示例：

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

# 创建一个示例数据集
X, y = make_blobs(n_samples=100, centers=2, random_state=0)

# 将数据集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=0)

# 创建一个SVM分类器
clf = svm.SVC(kernel='linear')

# 在训练集上训练模型
clf.fit(X_train, y_train)

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

# 计算预测准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在上述示例中，首先使用`make_blobs`函数创建了一个示例数据集，共有100个样本点，其中两个类别。然后使用`train_test_split`函数将数据集分为训练集和测试集。

接下来，创建了一个SVC（Support Vector Classification）分类器对象，并将参数`kernel='linear'`设置为线性核函数。可以根据具体需求选择其他核函数。

然后，使用`fit`方法在训练集上训练SVM模型。之后，使用`predict`方法在测试集上进行预测，并计算预测准确率。

最后，打印输出预测准确率。这个例子展示了如何使用Scikit-learn中的SVM进行简单的二分类任务。你可以根据自己的需求进行参数调整和模型优化。