python运行SVM高斯核模型

下面是一个使用Python和Scikit-learn库实现SVM高斯核模型的示例代码：

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

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

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 创建SVM高斯核模型
svm = SVC(kernel='rbf', gamma='auto')

# 训练模型
svm.fit(X_train, y_train)

# 预测测试集
y_pred = svm.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)

print("Accuracy:", accuracy)

在这个示例中，我们使用了Iris数据集作为示例数据集，将数据集分割为70%的训练集和30%的测试集。我们使用Scikit-learn的SVC类创建了一个SVM高斯核模型，并使用训练集拟合了模型。然后我们使用测试集进行预测，并计算预测准确率。

注意，这个示例代码中的gamma参数被设置为'auto'，表示使用默认值，也可以手动指定。此外，还可以通过调整C参数来调整模型的惩罚力度。