请据此给出支持向量机的代码

支持向量机（Support Vector Machine, SVM）是一种监督学习的分类模型，它通过找到数据中的最优超平面来进行二分类，同时也可以扩展到非线性分类问题。SVM的主要目标是最大化边界间隔，使得分类尽可能清晰。以下是一个使用Python的Scikit-learn库实现的简单SVM代码示例：

# 导入所需的库
from sklearn import datasets
from sklearn import svm
from sklearn.model_selection import train_test_split
import numpy as np

# 加载数据集，这里以iris数据集为例
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 数据预处理和划分训练集/测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建一个线性SVM分类器
svm_classifier = svm.SVC(kernel='linear') # 'linear' 表示线性核函数

# 训练模型
svm_classifier.fit(X_train, y_train)

# 预测测试集
predictions = svm_classifier.predict(X_test)

# 检查模型性能
print("Accuracy:", np.mean(predictions == y_test))

# 如果你想尝试其他核函数，如'poly'（多项式）、'rbf'（径向基函数），可以替换'kernel='linear'，如下所示：
# svm_classifier = svm.SVC(kernel='rbf')

在这个例子中，我们首先加载了iris数据集，然后划分了训练集和测试集，接着创建了一个线性SVM分类器。通过`fit`方法训练模型，最后用`predict`方法进行预测，并计算模型的准确率。