python SVM分类

SVM（Support Vector Machine，支持向量机）是一种常见的机器学习算法，可以用于分类和回归问题。在Python中，可以使用scikit-learn库来实现SVM分类。

以下是一个简单的SVM分类的例子：

from sklearn import svm
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
from sklearn.datasets import load_iris

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建SVM分类器
clf = svm.SVC(kernel='linear')

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
acc = accuracy_score(y_test, y_pred)
print("Accuracy: {:.2f}%".format(acc * 100))

在这个例子中，我们首先加载了Iris数据集，然后将数据划分为训练集和测试集。然后，我们创建了一个SVC对象（SVM分类器），并使用线性内核进行训练。最后，我们通过对测试集进行预测来评估模型的性能，并计算准确率（accuracy）。

需要注意的是，SVM的性能通常取决于数据的特征和样本数量。因此，在使用SVM分类器之前，通常需要进行特征工程和数据清洗，以确保模型的性能最优。