给出完整的sklearn.svm的训练、保存模型，加载使用模型的例子

好的，下面是一个完整的sklearn.svm训练、保存模型和加载使用模型的例子：

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

# 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=0.3, random_state=42)

# 训练模型
model = SVC(kernel='linear', C=1, probability=True)
model.fit(X_train, y_train)

# 评估模型
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

# 保存模型
filename = 'svm_model.joblib'
joblib.dump(model, filename)

# 加载模型并使用
loaded_model = joblib.load(filename)
result = loaded_model.predict([[5.1, 3.5, 1.4, 0.2]])
print("Predicted class:", result)

这个例子中，我们加载了经典的鸢尾花数据集，将其划分成训练集和测试集，使用SVC（支持向量机）模型进行训练，并评估其准确率。然后，我们使用joblib库保存了模型，并通过joblib.load()函数加载了模型并进行了预测。

注意：该例子中使用的是线性核函数和C=1的参数，仅作示例之用，实际使用中需要根据数据集的情况进行调整。