SVM+分类器设计与实现使用给定样本集（具体参见+wine.data）构建+SVM+分类器模型，并对模型性 能进行测试。该实验所使用的数据集为+sklearn+的+wine+数据，它有+178+个样本

以下是使用给定样本集构建SVM分类器模型并对模型性能进行测试的Python代码：

from sklearn import svm
from sklearn import model_selection
import pandas as pd

# 读取数据集
data = pd.read_csv('wine.data', header=None)
x = data.iloc[:, 1:]
y = data.iloc[:, 0]

# 将数据集拆分为训练集和测试集
x_train, x_test, y_train, y_test = model_selection.train_test_split(x, y, test_size=0.2, random_state=1)

# 建立SVM模型
clf = svm.SVC(kernel='rbf', gamma=0.7, C=1)
clf.fit(x_train, y_train)

# 在训练集和测试集上查看分类效果
train_score = clf.score(x_train, y_train)
test_score = clf.score(x_test, y_test)
print("训练集准确率：", train_score)
print("测试集准确率：", test_score)

该代码使用sklearn库中的svm模块建立了一个SVM分类器模型，并使用wine数据集进行训练和测试。其中，将数据集拆分为训练集和测试集的比例为8:2，使用rbf核函数，gamma参数为0.7，C参数为1。最后输出了训练集和测试集的准确率。