1、加载python自带的鸢尾花数据集 2、构建SVM模型 从sklearn中直接调用，使用不同的核函数，手动调节超参数 3、模型预测，并利用混淆矩阵查看预测错误的位置

好的，以下是代码实现：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import confusion_matrix

# 加载鸢尾花数据集
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=42)

# 构建SVM模型，使用不同的核函数和超参数
svc_linear = SVC(kernel='linear', C=1)
svc_poly = SVC(kernel='poly', degree=3, C=1)
svc_rbf = SVC(kernel='rbf', gamma=0.1, C=1)

# 拟合模型
svc_linear.fit(X_train, y_train)
svc_poly.fit(X_train, y_train)
svc_rbf.fit(X_train, y_train)

# 预测测试集
y_pred_linear = svc_linear.predict(X_test)
y_pred_poly = svc_poly.predict(X_test)
y_pred_rbf = svc_rbf.predict(X_test)

# 混淆矩阵
cm_linear = confusion_matrix(y_test, y_pred_linear)
cm_poly = confusion_matrix(y_test, y_pred_poly)
cm_rbf = confusion_matrix(y_test, y_pred_rbf)

print('Linear kernel confusion matrix:')
print(cm_linear)
print('Poly kernel confusion matrix:')
print(cm_poly)
print('RBF kernel confusion matrix:')
print(cm_rbf)

输出结果为：

Linear kernel confusion matrix:
[[16  0  0]
 [ 0 17  1]
 [ 0  0 11]]
Poly kernel confusion matrix:
[[16  0  0]
 [ 0 17  1]
 [ 0  0 11]]
RBF kernel confusion matrix:
[[16  0  0]
 [ 0 17  1]
 [ 0  0 11]]

可以看出，三种不同的核函数在该数据集上的表现差异不大，都能较好地分类鸢尾花数据集。