svm分类器进行模型评估代码

SVM (支持向量机) 分类器的模型评估通常涉及以下几个步骤，这里以Python的Scikit-Learn库为例：

1. **数据预处理**：首先需要对数据进行清洗、编码（如One-Hot Encoding）、标准化或归一化等。

from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

2. **训练模型**：

   from sklearn.svm import SVC
   classifier = SVC(kernel='linear')  # 或 'rbf', 'poly'等其他内核
   classifier.fit(X_train, y_train)

3. **预测结果**：

   predictions = classifier.predict(X_test)

4. **评估指标**：
- **准确率**：`accuracy_score(y_test, predictions)`
- **精确度(Precision)**：`precision_score(y_test, predictions)`
- **召回率(Recall)**：`recall_score(y_test, predictions)`
- **F1分数(F1 Score)**：`f1_score(y_test, predictions)`
- **混淆矩阵 Confusion Matrix**：`confusion_matrix(y_test, predictions)`

5. **交叉验证**：
如果想要更稳定地评估模型性能，可以使用交叉验证，例如 `cross_val_score` 函数：

   from sklearn.model_selection import cross_val_score
   scores = cross_val_score(classifier, X, y, cv=5)

6. **保存和加载模型**：

   joblib.dump(classifier, 'svm_model.pkl')
   loaded_classifier = joblib.load('svm_model.pkl')