python以鸾尾花识别为例实现SVM算法

在Python中，使用支持向量机（SVM）进行鸢尾花识别是一个经典的机器学习应用案例。鸢尾花数据集通常来自UCI Machine Learning Repository，包含三个品种（Setosa、Versicolour和Virginica）的鸢尾花测量值。

首先，你需要安装必要的库如`scikit-learn`，它是Python中最常用的机器学习工具包之一：

pip install scikit-learn

接下来，你可以按照以下步骤实现SVM分类鸢尾花：

1. **加载数据**：
使用`sklearn.datasets.load_iris()`加载鸢尾花数据集，并将其分为特征（X）和目标标签（y）。

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

2. **数据预处理**：
对于某些SVM变种，比如线性核，原始数据不需要太多预处理。但为了简化示例，可以将数据归一化到0到1之间。

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X = scaler.fit_transform(X)

3. **分割训练集和测试集**：
分割数据集以便评估模型性能。通常，我们会保留约75%的数据用于训练，剩下的用于测试。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4. **创建SVM模型**：
选择一个合适的核函数，例如线性核(`linear`)或径向基函数(`rbf`)。这里我们假设使用的是`rbf`核。

from sklearn.svm import SVC
svm_model = SVC(kernel='rbf', C=1) # 配置参数，C控制惩罚项的强度

5. **训练模型**：
将训练数据拟合到模型中。

svm_model.fit(X_train, y_train)

6. **预测和评估**：
使用测试集评估模型性能。

y_pred = svm_model.predict(X_test)
accuracy = svm_model.score(X_test, y_test)
print(f"Accuracy: {accuracy}")