支持向量机的核函数选择，用鸢尾花数据集代码实现

好的，关于支持向量机的核函数选择，通常有以下几种选择：

1. 线性核函数：适用于线性可分的数据集；
2. 多项式核函数：对于非线性可分的数据集，可以使用多项式核函数将其映射到高维空间中进行线性分类；
3. 高斯核函数（径向基函数）：适用于非线性可分的数据集，通过将数据映射到无穷维空间中进行非线性分类；
4. Sigmoid核函数：适用于二分类问题，但不太稳定。

下面是使用鸢尾花数据集实现支持向量机的代码，其中采用的是高斯核函数：

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

# 加载鸢尾花数据集
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=0.3, random_state=42)

# 构建支持向量机模型
svm = SVC(kernel='rbf', gamma='auto')

# 训练模型
svm.fit(X_train, y_train)

# 预测测试集
y_pred = svm.predict(X_test)

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

其中，`kernel='rbf'`表示使用高斯核函数，`gamma='auto'`表示使用默认的参数值。可以根据实际情况进行调整。