燕尾花支持向量机分类案例

燕尾花（Iris）数据集是机器学习领域中一个非常经典的多变量数据集，由Fisher在1936年整理。该数据集包含150个样本，分为三个种类的燕尾花：Setosa、Versicolour和Virginica。每个样本都有四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度，都是以厘米为单位的浮点数。

支持向量机（SVM）是一种常用的分类算法，它通过学习数据的边界（即支持向量）来对数据进行分类。SVM的核心思想是找到一个超平面，使得不同类别的数据能够被尽可能正确地划分，并且使得两个类别之间的间隔（即边界）最大化。

在使用燕尾花数据集进行支持向量机分类的案例中，通常会执行以下步骤：
1. 数据预处理：加载燕尾花数据集，并将其分为训练集和测试集。
2. 特征选择：选取四个特征作为SVM分类器的输入。
3. 模型训练：使用训练集数据训练SVM模型。
4. 模型评估：使用测试集数据评估模型的分类性能，常用的评估指标包括准确率、召回率、精确率和F1分数。
5. 结果分析：根据模型评估的结果分析模型的性能，并可能调整SVM的参数（如核函数类型、惩罚参数C等）来优化模型。

在Python中，可以使用`scikit-learn`库来实现燕尾花数据集上的SVM分类案例。以下是使用Python实现的一个简化示例：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.metrics import classification_report, accuracy_score

# 加载数据
iris = datasets.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=0.3, random_state=42)

# 特征标准化
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 训练SVM模型
svm = SVC(kernel='linear')  # 这里使用线性核函数
svm.fit(X_train, y_train)

# 预测和评估
y_pred = svm.predict(X_test)
print(classification_report(y_test, y_pred))
print("准确率:", accuracy_score(y_test, y_pred))