python svm多分类

在Python中，使用支持向量机（SVM）进行多分类问题的分类有多种方法。以下是其中的两种常见方法：

1. 一对多（One-vs-Rest）方法：该方法将多分类问题转化为多个二分类问题。对于有k个类别的多分类问题，该方法需要训练k个SVM分类器，每个分类器都将一个类别作为“正例”，其他所有类别作为“反例”。在测试时，将新样本分别传递给这k个SVM分类器，每个分类器都给出一个分数，最终将分数最高的类别作为预测结果。

2. 一对一（One-vs-One）方法：该方法将多分类问题转化为多个二分类问题。对于有k个类别的多分类问题，该方法需要训练k(k-1)/2个SVM分类器，每个分类器都将两个类别作为“正例”和“反例”。在测试时，将新样本传递给这k(k-1)/2个SVM分类器，每个分类器都给出一个预测结果，最终统计每个类别预测的次数，将预测次数最多的类别作为预测结果。

以下是使用scikit-learn库实现SVM多分类的示例代码：

from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
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=0.3)

# 训练SVM模型
clf = svm.SVC(kernel='linear', decision_function_shape='ovr')
clf.fit(X_train, y_train)

# 预测
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

在代码中，我们使用了SVC类来训练SVM模型。其中，kernel参数指定SVM内核函数的类型，decision_function_shape参数指定多分类问题的处理方法，'ovr'表示一对多方法。