以sklearn自带数据集breast_cancer为例

，展示如何使用支持向量机（SVM）进行分类。

首先，导入需要的库和数据集：

from sklearn.datasets import load_breast_cancer
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import classification_report

# 加载数据集
cancer = load_breast_cancer()

接着，将数据集分为训练集和测试集：

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(cancer.data, cancer.target, test_size=0.3, random_state=42)

然后，创建一个支持向量机分类器，并用训练集进行训练：

# 创建支持向量机分类器
svm = SVC()

# 使用训练集训练分类器
svm.fit(X_train, y_train)

最后，使用测试集对分类器进行评估：

# 使用测试集评估分类器
y_pred = svm.predict(X_test)
print(classification_report(y_test, y_pred))

输出结果如下：

              precision    recall  f1-score   support

           0       0.93      0.93      0.93        63
           1       0.96      0.96      0.96       108

    accuracy                           0.95       171
   macro avg       0.94      0.94      0.94       171
weighted avg       0.95      0.95      0.95       171

可以看到，该支持向量机分类器在测试集上的准确率达到了95%。