svm多维向量计算例子代码

SVM（支持向量机）是一种常用的监督学习算法，用于分类和回归分析。在处理多维向量时，首先需要将数据转换成适合SVM的形式，通常是通过特征缩放、标准化或者归一化等预处理步骤。下面是一个简单的Python示例，使用sklearn库中的SVC（支持向量分类器）实现线性核的支持向量机：

from sklearn import datasets
from sklearn.preprocessing import StandardScaler
from sklearn.svm import SVC
from sklearn.model_selection import train_test_split

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 数据预处理：归一化
scaler = StandardScaler()
X_scaled = scaler.fit_transform(X)

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X_scaled, y, test_size=0.3, random_state=42)

# 创建SVM模型
svm_model = SVC(kernel='linear') # 线性核

# 训练模型
svm_model.fit(X_train, y_train)

# 预测
predictions = svm_model.predict(X_test)

# 输出预测结果
print("Predicted labels:", predictions)

在这个例子中，`X`是包含三个特征维度的样本数据，我们将其进行了标准化处理（归一化），然后划分为了训练集和测试集。最后，我们创建了一个SVM模型，并在训练集上进行训练，对测试集进行预测。