python机器学习支持向量机

Python中的支持向量机（Support Vector Machine，简称SVM）是一种常用的分类和回归算法。其主要思想是将数据映射到高维空间中，然后在该空间中寻找最优的超平面来分隔不同的类别，从而实现分类或者回归。

在Python中，可以使用scikit-learn库来实现支持向量机算法。scikit-learn提供了SVC、NuSVC、SVR、NuSVR等多种支持向量机模型，可以根据不同的问题选择不同的模型。下面是一个简单的示例代码，演示如何使用scikit-learn库中的SVC模型进行分类：

# 导入相关模块
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

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

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建SVC模型
clf = SVC(kernel='linear')

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

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

以上代码中，我们首先加载了iris数据集，并将数据集划分为训练集和测试集。然后，我们使用SVC模型进行训练，并预测测试集。最后，我们计算了模型的准确率。需要注意的是，这里我们使用了线性核函数，即kernel='linear'，可以根据不同的问题选择不同的核函数。