使用Python创建多分类svm模型

使用Python创建多分类SVM模型可以使用scikit-learn库中的SVM分类器。以下是一个简单的示例：

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

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

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建SVM分类器
clf = svm.SVC(kernel='linear', C=1, decision_function_shape='ovr')

# 训练模型
clf.fit(X_train, y_train)

# 预测结果
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这个示例中，我们使用鸢尾花数据集进行了多分类SVM模型的训练和测试。首先，我们加载数据集并将其划分为训练集和测试集。然后，我们使用SVM分类器创建了一个分类器对象，并使用训练数据对其进行训练。最后，我们使用测试数据对模型进行测试，并计算准确率。

需要注意的是，当使用SVM进行多分类时，需要指定decision_function_shape参数为ovr（one-vs-rest）或ovo（one-vs-one）。ovr表示使用一对多的策略进行多分类，而ovo表示使用一对一的策略进行多分类。在上面的示例中，我们指定了ovr策略。