利用sklearn中的SVM模型

在Scikit-Learn库中，SVM (支持向量机) 的使用非常直观。以下是一个基本步骤：

1. **导入所需库**：

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

2. **加载数据** 和 **预处理**：
- 加载数据集，如Pandas DataFrame
- 将分类变量转换为数值（如有需要）
- 可能还需要标准化或归一化数据，以确保所有特征在同一尺度上，`StandardScaler()` 函数常用于这一步。

3. **划分训练集和测试集**：

   X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. **初始化并创建SVM模型**：

   clf = svm.SVC()  # 或者指定核函数，如 'linear', 'poly', 'rbf', 'sigmoid'

5. **拟合模型**：

   clf.fit(X_train, y_train)

6. **预测**：

   y_pred = clf.predict(X_test)

7. **评估模型**：
使用如accuracy_score、classification_report等函数查看模型性能。

8. **（可选）调整参数**：
Scikit-Learn提供GridSearchCV或RandomizedSearchCV等工具进行参数搜索，例如：

   param_grid = {'C': [0.1, 1, 10], 'gamma': [1, 0.1, 0.01]}
   grid_search = GridSearchCV(svm.SVC(), param_grid, cv=5)
   grid_search.fit(X_train, y_train)
   best_params = grid_search.best_params_