提供一个用于SVM二分类的数据集和训练代码

支持向量机（Support Vector Machine, SVM）是一种常用的监督学习算法，特别适用于小样本、非线性和高维数据。这里我会提供一个简单的例子，使用Python的Scikit-learn库来创建一个二分类问题的数据集，并进行训练。

首先，我们需要导入必要的库：

import numpy as np
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC

接下来，我们选择一个经典的数据集，比如Iris dataset中的前两个类别（Setosa和Versicolor），作为我们的二分类任务：

iris = datasets.load_iris()
X = iris.data[:, :2]  # 取前两特征
y = (iris.target == 0) | (iris.target == 1)  # Setosa和Versicolor

# 数据标准化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

现在我们将数据分为训练集和测试集：

X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.2, random_state=42)

然后我们可以建立并训练SVM模型：

svm_model = SVC(kernel='linear')  # 使用线性核
svm_model.fit(X_train, y_train)

这就是一个基本的SVM二分类数据集和训练代码示例。