svm多分类python代码

以下是使用Scikit-learn实现SVM多分类的Python代码示例：

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

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

# 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=0.3, random_state=0)

# 创建SVC对象并进行训练
svm_model = SVC(kernel='linear', C=1, decision_function_shape='ovr')
svm_model.fit(X_train, y_train)

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

# 计算准确率
accuracy = svm_model.score(X_test, y_test)
print("Accuracy:", accuracy)

在上面的代码中，我们首先导入了需要的模块和库。然后，我们使用`datasets.load_iris()`加载了鸢尾花数据集，并将其特征矩阵`X`和目标向量`y`存储在变量中。接下来，我们使用`train_test_split()`函数将数据集分为训练集和测试集。然后，我们创建了一个SVC对象并使用`fit()`方法对其进行训练。最后，我们使用`predict()`方法在测试集上进行预测，并使用`score()`方法计算准确率。