用线形核函数训练svm代码
时间: 2023-12-08 12:05:23 浏览: 37
下面是使用线性核函数训练 SVM 的 Python 代码示例:
```python
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()
# 获取特征和标签
X = iris.data[:, :2]
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 模型
svc = SVC(kernel='linear')
# 训练 SVM 模型
svc.fit(X_train, y_train)
# 在测试集上进行预测
y_pred = svc.predict(X_test)
# 计算准确率
acc = accuracy_score(y_test, y_pred)
print("Accuracy:", acc)
```
在这个例子中,我们加载了鸢尾花数据集,使用前两个特征作为输入数据,将数据集划分为训练集和测试集,使用线性核函数创建了一个 SVM 模型,并在训练集上进行训练。然后,我们在测试集上进行预测,并计算准确率。
需要注意的是,在创建 SVC 模型时,我们指定了 `kernel='linear'`,这表示使用线性核函数。如果需要使用其他核函数,可以将 `kernel` 参数设置为 `'rbf'`(高斯核函数)、`'poly'`(多项式核函数)等等。