python svm模型

SVM（Support Vector Machine）是一种二分类模型，其基本模型定义为特征空间上的间隔最大的线性分类器，即通过支持向量构建的超平面。在Python中，可以使用scikit-learn库来实现SVM模型。以下是一个简单的SVM模型的示例代码：

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

# 生成示例数据
X, y = make_classification(n_samples=1000, n_features=4, random_state=0)

# 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SVM模型
clf = svm.SVC(kernel='linear', C=1)

# 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)

# 输出模型的准确率
print("Accuracy:", clf.score(X_test, y_test))

在上述代码中，我们首先使用make_classification函数生成了一个示例数据集。然后，我们将数据集分为训练集和测试集，并使用svm.SVC类创建SVM模型。在这个例子中，我们使用线性核函数，并将惩罚参数C设置为1。接下来，我们使用fit方法训练模型，并使用predict方法在测试集上进行预测。最后，我们输出了模型在测试集上的准确率。