使用 scikit-learn 中提供的样本生成器 make_blobs、make_classification、make_moons、 make_circles 生成一系列线性或非线性可分的二类别数据；分别将 SVM 中四种核函数（线性核、多项式核、高斯核、S 形核）用于上述四种数据集；通过散点图可视化数据样本，并画出 SVM 模型的决策边界，通过模型评价分类准确率。

好的，下面是使用scikit-learn中提供的样本生成器对四种数据集进行分类实验的示例代码：

首先，我们需要导入必要的库，包括numpy、matplotlib、sklearn等：

import numpy as np
import matplotlib.pyplot as plt
from sklearn import svm, datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

接下来，我们可以使用scikit-learn中的四个样本生成器生成线性或非线性可分的二分类数据：

# 生成数据集
X_blob, y_blob = datasets.make_blobs(n_samples=100, centers=2, random_state=0)
X_class, y_class = datasets.make_classification(n_samples=100, n_features=2, n_redundant=0, n_informative=2, random_state=0, n_clusters_per_class=1)
X_moon, y_moon = datasets.make_moons(n_samples=100, noise=0.1, random_state=0)
X_circle, y_circle = datasets.make_circles(n_samples=100, noise=0.1, factor=0.5, random_state=0)

接下来，我们可以定义一个函数，用于训练SVM模型并绘制决策边界和分类结果：

def plot_svm(kernel, X, y):
    # 训练模型
    clf = svm.SVC(kernel=kernel)
    clf.fit(X, y)
    
    # 绘制决策边界和分类结果
    plt.figure(figsize=(10, 8))
    plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.Paired)
    
    # 绘制决策边界
    x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
    y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
    xx, yy = np.meshgrid(np.arange(x_min, x_max, 0.02), np.arange(y_min, y_max, 0.02))
    Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])
    Z = Z.reshape(xx.shape)
    plt.contourf(xx, yy, Z, cmap=plt.cm.Paired, alpha=0.3)
    
    # 设置图像标题
    plt.title("Kernel: {}".format(kernel))
    
    # 显示图像
    plt.show()

最后，我们可以调用上述函数，分别使用四种核函数对四个数据集进行二分类实验，并计算分类精度：

# 使用四种核函数对四个数据集进行二分类实验
datasets = [(X_blob, y_blob), (X_class, y_class), (X_moon, y_moon), (X_circle, y_circle)]
datasets_names = ["Blobs", "Classification", "Moons", "Circles"]
kernels = ['linear', 'poly', 'rbf', 'sigmoid']

for i in range(4):
    print("\nDataset: {}".format(datasets_names[i]))
    X, y = datasets[i]
    for j in range(4):
        plot_svm(kernels[j], X, y)
        clf = svm.SVC(kernel=kernels[j])
        clf.fit(X, y)
        y_pred = clf.predict(X)
        acc = accuracy_score(y, y_pred)
        print("Kernel: {}, Accuracy: {:.2f}%".format(kernels[j], acc * 100))

完整代码如下：