帮我用python代码呈现SVM多分类任务

当涉及到SVM多分类任务时，可以使用Python中的scikit-learn库来实现。下面是一个示例代码，用于展示如何使用SVM进行多分类任务：

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

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

# 将数据集划分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建SVM分类器对象
clf = svm.SVC(kernel='linear', C=1)

# 训练模型
clf.fit(X_train, y_train)

# 在测试集上进行预测
y_pred = clf.predict(X_test)

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

在这个例子中，我们使用了鸢尾花数据集（load_iris）作为示例数据。首先，我们加载数据集并将其分成训练集和测试集。然后，我们创建一个SVC对象（SVM分类器），并使用训练集来训练模型。最后，我们在测试集上进行预测，并计算准确率来评估模型的性能。

请注意，这只是一个简单的示例代码，实际应用中可能需要进行更多的数据预处理、调参和性能评估。