支持向量机做分类python实现代码

支持向量机（Support Vector Machine，SVM）是一种常见的机器学习算法，可用于分类和回归分析。在Python中实现SVM分类代码很简单，以下是一个基本的Python实现示例：

首先导入必要的库，例如numpy、pandas和sklearn中的SVM算法：

import numpy as np
import pandas as pd
from sklearn.svm import SVC

接下来加载你的数据集，可以使用pandas.read_csv方法读取csv文件：

url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"
names = ['sepal-length', 'sepal-width', 'petal-length', 'petal-width', 'class']
dataset = pd.read_csv(url, names=names)

数据集中的列分别是物种类别和4个特征，其中花瓣长度和宽度更有助于区分类别：

X = dataset.iloc[:, :-1].values
y = dataset.iloc[:, 4].values

使用scikit-learn的train_test_split函数将数据集分为训练集和测试集：

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

接下来创建SVM分类模型并将其拟合于训练集：

svclassifier = SVC(kernel='linear')
svclassifier.fit(X_train, y_train)

使用测试数据集来预测分类：

y_pred = svclassifier.predict(X_test)

最后计算模型的性能指标，例如准确性、精确度、召回率和F1值：

from sklearn.metrics import classification_report, confusion_matrix
print(confusion_matrix(y_test,y_pred))
print(classification_report(y_test,y_pred))

以上是支持向量机做分类的Python实现代码，这只是一个简单的例子。在实际应用中，需要根据具体情况设置参数和优化模型以获得更好的结果。