svm算法python实现

SVM（支持向量机）是一种常用的监督学习算法，它可以用于分类和回归任务。在本文中，我们将介绍如何使用Python实现SVM算法。

首先，我们需要导入所需的库和模块。我们将使用numpy和sklearn库来实现SVM算法。

import numpy as np
from sklearn.svm import SVC

接下来，我们需要准备数据。我们将使用自带的数据集iris，其中包含150个样本，分为三个类别。每个样本有四个特征：花萼长度、花萼宽度、花瓣长度和花瓣宽度。

from sklearn.datasets import load_iris

iris = load_iris()
X = iris.data
y = iris.target

我们将数据集分成训练集和测试集，以便评估模型的性能。

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

接下来，我们创建一个SVC对象，使用“rbf”核函数和默认参数进行训练。我们使用fit()方法拟合模型。

svm_model = SVC(kernel='rbf')
svm_model.fit(X_train, y_train)

现在我们可以使用predict()方法在测试集上对模型进行预测。

y_pred = svm_model.predict(X_test)

最后，我们可以使用accuracy_score()方法计算模型的准确度。

from sklearn.metrics import accuracy_score

accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

完整代码如下：

import numpy as np
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

iris = load_iris()
X = iris.data
y = iris.target

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

svm_model = SVC(kernel='rbf')
svm_model.fit(X_train, y_train)

y_pred = svm_model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

print("Accuracy:", accuracy)

这就是如何使用Python实现SVM算法的简单示例。