svm分类python

在Python中使用SVM分类器的步骤如下：

1. 导入必要的库

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

2. 准备数据

X, y = make_classification(n_samples=1000, n_features=4, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

这里使用了`make_classification()`函数生成了一个包含1000个样本和4个特征的数据集，并将其分为训练集（80%）和测试集（20%）。

3. 训练SVM分类器

clf = svm.SVC(kernel='linear')
clf.fit(X_train, y_train)

这里使用了`svm.SVC()`函数来创建一个SVM分类器，并使用`fit()`函数训练它。

4. 预测并评估准确率

y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

使用`predict()`函数对测试集进行预测，并使用`accuracy_score()`函数计算准确率。

完整代码如下：

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

# 生成数据
X, y = make_classification(n_samples=1000, n_features=4, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=0)

# 训练SVM分类器
clf = svm.SVC(kernel='linear')
clf.fit(X_train, y_train)

# 预测并评估准确率
y_pred = clf.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

注意：上述代码中使用的是线性SVM分类器，如果需要使用其他核函数，可以将`kernel`参数设置为`'poly'`、`'rbf'`等。