svm调节参数c的代码

下面是使用Scikit-learn库中的SVM模型进行分类并调节参数C的代码示例：

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

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

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 定义SVM模型
svm = SVC(kernel='linear')

# 定义参数C的取值范围
C_range = [0.01, 0.1, 1, 10, 100]

# 调节参数C
best_score = 0
for C in C_range:
    svm.C = C
    svm.fit(X_train, y_train)
    y_pred = svm.predict(X_test)
    score = accuracy_score(y_test, y_pred)
    if score > best_score:
        best_score = score
        best_C = C

print("Best C:", best_C)

在上面的代码中，我们使用了鸢尾花数据集（iris）作为例子，划分了训练集和测试集，并使用线性核的SVM模型进行分类。然后，我们定义了参数C的取值范围，并通过循环尝试不同的C值，计算模型在测试集上的准确率。最后，我们选择准确率最高的C值作为模型的最佳参数C。

需要注意的是，上面的代码只是一个示例，实际使用时需要根据具体问题进行调整。