支持向量机python分类

支持向量机（Support Vector Machine，SVM）是一种监督学习算法，常用于分类和回归分析。在分类问题中，SVM的目标是找到一个最优超平面（即一个线性函数），将不同类别的样本分开，并使得两侧离超平面最近的样本点到该超平面的距离最大。这些最近的样本点被称为支持向量，SVM通过寻找支持向量来对分类边界进行定义。

在Python中，支持向量机可以通过使用Scikit-learn库来实现。以下是一个简单的支持向量机分类器的示例代码：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm

# 加载数据集
iris = datasets.load_iris()

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3)

# 创建一个SVM分类器
clf = svm.SVC(kernel='linear', C=1)

# 在训练集上训练模型
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

# 计算模型准确率
accuracy = clf.score(X_test, y_test)
print("Accuracy:", accuracy)

在上述代码中，我们首先使用Scikit-learn库加载了一个经典的鸢尾花数据集，然后将其划分为训练集和测试集。我们使用了SVM中的线性核函数，并将惩罚参数C设置为1。最后，我们使用训练好的模型在测试集上进行预测，并计算模型的准确率。