给出一个用于SVM的数据集和训练代码

支持向量机（Support Vector Machine，SVM）是一种常用的监督学习模型，特别适合于分类和回归任务。为了演示如何使用数据集和训练代码，这里我们以Python中的Scikit-learn库为例，它是一个流行机器学习库，包含了SVM的实现。

首先，你需要一个数据集。比如经典的Iris花卉数据集就是一个很好的选择，包含4种不同类型的鸢尾花，每个样本有4个特征。你可以从sklearn.datasets导入这个数据：

from sklearn import datasets
iris = datasets.load_iris()
X = iris.data
y = iris.target

这里`X`是特征矩阵，`y`是标签数组。数据已经预处理好了，可以直接使用。

接下来，我们可以使用Scikit-learn的SVC（Support Vector Classifier）类来进行训练：

from sklearn.svm import SVC
from sklearn.model_selection import train_test_split

# 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)

# 创建SVM分类器
svm_classifier = SVC(kernel='linear')  # 使用线性核，其他如'poly', 'rbf'等也是常用选项

# 训练模型
svm_classifier.fit(X_train, y_train)

上面的代码设置了训练比例为80%的数据用于训练，剩下的20%用于测试模型性能。`kernel='linear'`表示使用线性内核，如果需要非线性决策边界，可以尝试其他的内核函数。

最后，训练完成后你可以使用测试集评估模型，例如通过`score()`方法计算准确率：

accuracy = svm_classifier.score(X_test, y_test)
print(f"Accuracy on test set: {accuracy}")