支持向量机代码python

支持向量机（Support Vector Machine，简称SVM）是一种机器学习算法，广泛应用于分类和回归问题。在Python中，我们可以使用scikit-learn库来实现SVM算法。

首先，我们需要导入所需的库：

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

接下来，我们加载一个经典的鸢尾花数据集来进行示例：

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

然后，我们将数据集分为训练集和测试集：

# 分割训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

接下来，我们可以初始化一个SVM模型，并使用训练集对模型进行训练：

# 初始化SVM模型，并进行训练
model = SVC()
model.fit(X_train, y_train)

最后，我们可以使用测试集来评估模型的性能：

# 使用测试集评估模型
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("模型预测准确率：", accuracy)

以上就是使用Python实现支持向量机算法的一个简单示例。通过这些代码，我们可以加载数据集，分割训练集和测试集，初始化和训练SVM模型，并使用测试集评估模型的准确率。

当然，使用SVM算法还可以进行更多的操作，例如设置不同的超参数、数据预处理、特征选择等，以提高模型的性能和泛化能力。