svm python代码

以下是使用Python中sklearn库实现SVM分类器的示例代码：

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

# 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=0.2)

# 创建SVM分类器
clf = svm.SVC(kernel='linear')

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

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

这段代码首先加载了鸢尾花数据集，然后将数据集划分为训练集和测试集。接着创建了一个SVM分类器，使用训练集进行训练，并使用测试集进行预测。最后计算预测准确率并输出。

相关问题

svmpython代码

以下是 SVM 在 Python 中的代码示例：

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

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 分割数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建 SVM 模型
svm_model = SVC(kernel='linear')

# 在训练集上训练 SVM 模型
svm_model.fit(X_train, y_train)

# 在测试集上测试 SVM 模型
y_pred = svm_model.predict(X_test)

# 计算模型准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}%".format(accuracy*100))

在以上代码中，我们使用了 scikit-learn 库中的 `SVC` 类来创建 SVM 模型，并使用 `train_test_split` 函数将数据集分割成训练集和测试集。然后我们在训练集上训练 SVM 模型，并在测试集上测试模型。最后，我们使用 `accuracy_score` 函数计算模型的准确率。

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：

# 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。