python svm多分类

在Python中，可以使用scikit-learn库中的SVM（支持向量机）算法来进行多分类任务。以下是一个示例代码：

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

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

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

# 拟合模型
svm_model.fit(X_train, y_train)

# 预测测试集
y_pred = svm_model.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多分类任务。首先，我们加载数据集并将其划分为训练集和测试集。然后，我们创建一个SVM模型，并使用训练集拟合该模型。最后，我们使用测试集预测模型，并计算准确率。

需要注意的是，在上述示例中，我们使用了线性SVM（kernel='linear'）。如果需要使用非线性SVM，可以选择使用其他的核函数，例如高斯核函数（kernel='rbf'）。此外，还可以通过调整SVM的超参数，例如C和gamma，来进一步提高模型性能。