svmpython代码实现
时间: 2023-11-08 21:05:51 浏览: 39
svm(支持向量机)是一种常用的分类算法,可以用于二分类和多分类问题。下面是使用Python实现svm的代码示例:
```python
from sklearn import svm
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 加载数据集
iris = 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=0)
# 创建svm分类器
clf = svm.SVC(kernel='linear', C=1)
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集结果
y_pred = clf.predict(X_test)
# 输出准确率
print("Accuracy:", clf.score(X_test, y_test))
```
相关问题
svm算法python代码实现
下面是一个简单的 SVM 算法 Python 代码实现,使用 scikit-learn 库:
```python
from sklearn import svm
from sklearn import datasets
from sklearn.model_selection import train_test_split
# 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=0)
# 创建 SVM 分类器
clf = svm.SVC(kernel='linear', C=1)
# 训练模型
clf.fit(X_train, y_train)
# 预测测试集
y_pred = clf.predict(X_test)
# 输出分类器的准确率
print("Accuracy:", clf.score(X_test, y_test))
```
在这个例子中,我们使用了 iris 数据集进行 SVM 分类器的训练和测试。首先,我们将数据集划分为训练集和测试集。然后,我们创建了一个 SVM 分类器,使用线性核函数和 C 值为 1。接着,我们使用训练集拟合 SVM 模型,并使用测试集测试模型的准确率。最后,我们输出分类器的准确率。
SVM python代码
当然!这是一个简单的使用Python实现支持向量机(SVM)的示例代码:
```python
# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score
# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target
# 将数据集拆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=42)
# 创建SVM模型
model = SVC()
# 使用训练集训练模型
model.fit(X_train, y_train)
# 使用测试集进行预测
y_pred = model.predict(X_test)
# 计算预测准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)
```
这段代码使用了Scikit-learn库中的SVC类来实现支持向量机模型。它加载了Iris数据集,将数据集拆分为训练集和测试集,然后使用训练集来训练模型。接着,使用测试集进行预测,并计算预测准确率。
请注意,这只是一个简单的示例代码,实际应用中可能需要对数据进行预处理、调整模型参数等操作。