svm红酒数据集分类代码python

以下是SVM红酒数据集分类代码的Python实现：

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 读取数据集
df = pd.read_csv('winequality-red.csv')

# 分离特征与标签
X = df.iloc[:, :-1].values
y = df.iloc[:, -1].values

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 创建SVM模型
svm = SVC(kernel='linear', C=1.0, random_state=0)

# 训练模型
svm.fit(X_train, y_train)

# 预测测试集
y_pred = svm.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy: %.2f%%' % (accuracy * 100))

在此示例中，我们使用了pandas库读取存储在CSV文件中的红酒数据集。然后，我们将特征和标签分开，并使用sklearn库的train_test_split方法将数据集划分为训练集和测试集。接着，我们使用SVC类创建SVM模型，并使用fit方法对训练集进行拟合。最后，我们使用predict方法对测试集进行预测，并使用accuracy_score方法计算预测准确率。