使用python编写SVM算法确定最优分类超平面

以下是一个简单的Python代码示例，用于使用SVM算法确定最优分类超平面：

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

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3)

# 创建SVM分类器对象
clf = SVC(kernel='linear')

# 在训练集上拟合SVM分类器
clf.fit(X_train, y_train)

# 预测测试集的标签
y_pred = clf.predict(X_test)

# 计算分类器的准确性
accuracy = accuracy_score(y_test, y_pred)

# 打印分类器的准确性
print("Accuracy:", accuracy)

在这个示例中，我们使用了一个经典的鸢尾花数据集来训练和测试SVM分类器。首先，我们加载数据集并将其分成训练集和测试集。然后，我们创建一个SVM分类器对象，并在训练集上进行拟合。最后，我们使用测试集来预测标签，并计算分类器的准确性。

请注意，我们在这个示例中使用了线性内核，但是SVM算法也支持多项式、径向基函数和sigmoid内核。你可以根据你的问题选择最合适的内核。