比较新的支持向量机学习算法有哪些，怎么用python代码实现

比较新的支持向量机学习算法有以下几种：

1. 支持向量机回归（Support Vector Regression, SVR）
2. 支持向量机分类（Support Vector Classification, SVC）
3. 支持向量机多分类（Support Vector Machine Multi-classification, SVM-Multi）
4. 基于核方法的支持向量机（Kernel-based Support Vector Machine, K-SVM）
5. 基于最大间隔分离的支持向量机（Maximum Margin Separating Support Vector Machine, MMS-SVM）
6. 基于核矩阵分解的支持向量机（Kernel Matrix Factorization-based Support Vector Machine, KMF-SVM）

下面是一个使用Python实现SVM分类器的示例代码：

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 = iris.data
y = 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=0.2, random_state=42)

# 定义SVM分类器
svm = SVC(kernel='linear', C=1, random_state=42)

# 训练SVM分类器
svm.fit(X_train, y_train)

# 预测测试集
y_pred = svm.predict(X_test)

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

在这个示例代码中，我们使用了sklearn库中的SVC类来定义SVM分类器，并使用了鸢尾花数据集进行训练和测试。首先，我们将数据集划分为训练集和测试集，然后定义了一个SVM分类器，使用训练集对其进行训练，并使用测试集对其进行测试。最后，我们计算了分类器的准确率，并输出结果。