手撕支持向量机 wine数据集

### 实现支持向量机(SVM)并在Wine数据集上应用

为了实现和支持向量机（Support Vector Machine, SVM），并将其应用于葡萄酒数据集，可以遵循如下方法：

#### 导入必要的库和模块
首先，确保已经安装了所需的Python包。对于SVM的应用，主要依赖于`scikit-learn`库中的`svm`模块来构建模型。

from sklearn import svm  # 导入svm模型
from sklearn.datasets import load_wine  # 加载红酒数据集
from sklearn.model_selection import train_test_split  # 制作训练集和测试集分割工具
from sklearn.preprocessing import StandardScaler  # 数据标准化处理
from sklearn.metrics import classification_report, confusion_matrix  # 性能评估指标
import numpy as np

#### 准备数据集
加载葡萄酒数据集，并对其进行初步探索了解其结构；接着对特征进行标准化处理以提高后续建模效率。

# 载入红酒数据集
wine = load_wine()
X = wine.data
y = wine.target

# 特征缩放
scaler = StandardScaler().fit(X)
X_scaled = scaler.transform(X)

# 将数据分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(
    X_scaled, y, test_size=0.3, random_state=42)

#### 构建与训练SVM模型
创建一个线性核函数的支持向量分类器实例，并利用训练集的数据来进行拟合操作。

clf = svm.SVC(kernel='linear')  # 创建线性内核的SVM分类器
clf.fit(X_train, y_train)       # 使用训练数据拟合模型

#### 测试模型性能
通过预测测试集中样本所属类别，并计算混淆矩阵及各类别的精确率、召回率等评价指标来衡量所建立模型的好坏程度。

predictions = clf.predict(X_test)  # 对测试集做预测
print(confusion_matrix(y_test,predictions))  # 输出混淆矩阵
print(classification_report(y_test,predictions))  # 打印详细的分类报告

上述过程展示了如何基于Scikit-Learn框架快速搭建起一个简单的SVM分类流程[^1]。值得注意的是，在实际项目中可能还需要进一步调整参数设置（比如C值的选择）、尝试不同的核函数形式（如多项式核或RBF径向基核）以及执行交叉验证等优化措施来提升最终效果。