svm算法模型python

下面是使用Python实现SVM算法模型的示例代码：

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

# 创建一个分类数据集
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5, random_state=42)

# 将数据集划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)

# 创建一个SVM模型，并使用训练集进行拟合
clf = svm.SVC(kernel='linear', C=1, random_state=42)
clf.fit(X_train, y_train)

# 使用测试集进行预测
y_pred = clf.predict(X_test)

# 计算分类准确率
accuracy = clf.score(X_test, y_test)
print("分类准确率：", accuracy)

在上面的示例代码中，我们使用`make_classification`函数创建了一个分类数据集，然后将数据集划分为训练集和测试集。接着，我们创建了一个SVM模型，并使用训练集进行拟合。最后，我们使用测试集进行预测，并计算了分类准确率。

需要注意的是，SVM模型有多种核函数可供选择，这里我们选择了线性核函数（`kernel='linear'`）。如果需要使用其他核函数，可以将`kernel`参数设置为对应的值。此外，还可以通过调节`C`参数来控制模型的复杂度和容错能力。