划分好训练集和测试集之后怎么构造支持向量机模型，请给我代码举例

以下是一个简单的示例代码，用于构建一个基于支持向量机的分类模型：

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

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 划分数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 构建支持向量机模型
svm_model = SVC(kernel='linear', C=1.0, random_state=0)

# 在训练集上训练支持向量机模型
svm_model.fit(X_train, y_train)

# 在测试集上评估模型性能
accuracy = svm_model.score(X_test, y_test)
print("Accuracy: {:.2f}%".format(accuracy * 100))

在这个示例中，我们首先使用`sklearn`库中的`datasets`模块加载了`iris`数据集。然后，我们使用`train_test_split`函数将数据集分成了训练集和测试集。接下来，我们选择了线性核函数并设置了正则化参数C为1.0，构建了一个支持向量机模型。然后，我们使用训练集对模型进行了训练，并使用测试集评估了模型性能。最后，我们打印了模型的准确率。

请注意，这只是一个非常简单的示例代码，实际上你可能需要根据你的具体问题对支持向量机模型进行更多的调整和优化。