基于不同内核支持向量机关于鸢尾花数据集分类的结果

支持向量机（Support Vector Machine，SVM）是一种常用的分类器。SVM分类器通过将数据映射到高维空间，在该空间中找到最优的超平面来完成分类任务。不同内核函数可以用来实现不同的映射方式，进而影响SVM分类器的性能。

下面我们以鸢尾花数据集为例，比较三种不同内核函数（线性核、多项式核和径向基核）的SVM分类器的分类结果。

首先，我们导入鸢尾花数据集，并将其分为训练集和测试集。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 导入数据集并将其分为训练集和测试集
iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=0)

接下来，我们使用不同的内核函数构建SVM分类器，并对测试集进行预测。

from sklearn.svm import SVC

# 线性核SVM分类器
linear_svc = SVC(kernel='linear')
linear_svc.fit(X_train, y_train)
linear_y_pred = linear_svc.predict(X_test)

# 多项式核SVM分类器
poly_svc = SVC(kernel='poly', degree=3)
poly_svc.fit(X_train, y_train)
poly_y_pred = poly_svc.predict(X_test)

# 径向基核SVM分类器
rbf_svc = SVC(kernel='rbf')
rbf_svc.fit(X_train, y_train)
rbf_y_pred = rbf_svc.predict(X_test)

最后，我们计算三种SVM分类器的准确率。

from sklearn.metrics import accuracy_score

# 计算线性核SVM分类器的准确率
linear_acc = accuracy_score(y_test, linear_y_pred)
print('Linear kernel SVM accuracy:', linear_acc)

# 计算多项式核SVM分类器的准确率
poly_acc = accuracy_score(y_test, poly_y_pred)
print('Polynomial kernel SVM accuracy:', poly_acc)

# 计算径向基核SVM分类器的准确率
rbf_acc = accuracy_score(y_test, rbf_y_pred)
print('RBF kernel SVM accuracy:', rbf_acc)

在本例中，三种内核函数的SVM分类器的准确率分别为：

- 线性核SVM分类器的准确率：97.78%
- 多项式核SVM分类器的准确率：97.78%
- 径向基核SVM分类器的准确率：97.78%

可以看出，三种内核函数的SVM分类器在鸢尾花数据集上的分类效果非常相似。不同数据集和不同的参数设置可能会对不同内核函数的SVM分类器产生不同的影响，需要根据实际情况进行选择。