svm多分类代码python

以下是使用SVM进行多分类的Python代码示例：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)

# 建立SVM模型
svm = SVC(kernel='linear', C=1.0, decision_function_shape='ovr')

# 拟合训练集
svm.fit(X_train, y_train)

# 预测测试集类别
y_pred = svm.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在上面的示例中，我们使用鸢尾花数据集进行多分类。我们将数据集分割为30%的测试集和70%的训练集。然后，我们使用线性SVM建立模型，并在训练集上进行拟合。最后，我们使用测试集进行预测，并计算准确率。注意，在SVM中，我们使用了一对多（One-vs-Rest）策略来处理多分类问题。