用python实现在鸢尾花数据集和 MNIST 手写数字数据库上，训练一个SVM，基于交叉验证（数据分为训练集（80%）与测试集（20%） ），计算分类器性能，包括准确率、查全率（召回率）、查准率（精准率）、F1值、混淆矩阵等。并输出运行结果。

好的，我可以为您提供这个实现。

首先，我们需要引入必要的库和数据集：

from sklearn import datasets
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.metrics import classification_report, confusion_matrix
from sklearn.svm import SVC

# 加载鸢尾花数据集
iris = datasets.load_iris()
X_iris = iris.data
y_iris = iris.target

# 加载MNIST手写数字数据库
digits = datasets.load_digits()
X_digits = digits.images.reshape((len(digits.images), -1))
y_digits = digits.target

接下来，我们定义一个函数 `evaluate_classifier` 来评估分类器的性能：

def evaluate_classifier(X_train, y_train, X_test, y_test, classifier):
    # 训练分类器
    classifier.fit(X_train, y_train)
    
    # 在测试集上进行预测
    y_pred = classifier.predict(X_test)
    
    # 输出混淆矩阵
    print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred))
    
    # 输出分类报告
    print("Classification Report:\n", classification_report(y_test, y_pred))

然后，我们定义一个函数 `train_and_evaluate_classifier` 来训练并评估分类器：

def train_and_evaluate_classifier(X, y, classifier):
    # 将数据集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)
    
    # 评估分类器性能
    evaluate_classifier(X_train, y_train, X_test, y_test, classifier)

最后，我们可以使用 SVM 分别在鸢尾花数据集和 MNIST 手写数字数据库上进行训练和评估：

# 在鸢尾花数据集上训练和评估SVM
svm_iris = SVC()
train_and_evaluate_classifier(X_iris, y_iris, svm_iris)

# 在MNIST手写数字数据库上训练和评估SVM
svm_digits = SVC()
train_and_evaluate_classifier(X_digits, y_digits, svm_digits)

完整代码如下：

from sklearn import datasets
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.metrics import classification_report, confusion_matrix
from sklearn.svm import SVC

# 加载鸢尾花数据集
iris = datasets.load_iris()
X_iris = iris.data
y_iris = iris.target

# 加载MNIST手写数字数据库
digits = datasets.load_digits()
X_digits = digits.images.reshape((len(digits.images), -1))
y_digits = digits.target

def evaluate_classifier(X_train, y_train, X_test, y_test, classifier):
    # 训练分类器
    classifier.fit(X_train, y_train)
    
    # 在测试集上进行预测
    y_pred = classifier.predict(X_test)
    
    # 输出混淆矩阵
    print("Confusion Matrix:\n", confusion_matrix(y_test, y_pred))
    
    # 输出分类报告
    print("Classification Report:\n", classification_report(y_test, y_pred))

def train_and_evaluate_classifier(X, y, classifier):
    # 将数据集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)
    
    # 评估分类器性能
    evaluate_classifier(X_train, y_train, X_test, y_test, classifier)

# 在鸢尾花数据集上训练和评估SVM
svm_iris = SVC()
train_and_evaluate_classifier(X_iris, y_iris, svm_iris)

# 在MNIST手写数字数据库上训练和评估SVM
svm_digits = SVC()
train_and_evaluate_classifier(X_digits, y_digits, svm_digits)

运行该代码将会输出每个数据集上的分类器性能。