采用不同的SVM 核函数对多种类型数据集进行二分类： 使用 scikit-learn 中提供的样本生成器 make_blobs、make_classification、make_moons、 make_circles 生成一系列线性或非线性可分的二类别数据；分别将 SVM 中四种核函数（线性核、多项式核、高斯核、S 形核）用于上述四种数据集；通过散点图可视化数据样本，并画出 SVM 模型的决策边界，通过模型评价分类准确率。

好的，下面是针对您的问题，使用 scikit-learn 中提供的样本生成器 make_blobs、make_classification、make_moons、 make_circles 生成一系列线性或非线性可分的二类别数据，并分别将 SVM 中四种核函数（线性核、多项式核、高斯核、S 形核）用于上述四种数据集；通过散点图可视化数据样本，并画出 SVM 模型的决策边界，通过模型评价分类准确率的代码实现：

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_blobs, make_classification, make_moons, make_circles
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 定义 SVM 模型和核函数
model_linear = SVC(kernel='linear')
model_poly = SVC(kernel='poly', degree=2)
model_rbf = SVC(kernel='rbf')
model_sigmoid = SVC(kernel='sigmoid')

# 定义数据集生成器和相关参数
dataset_funcs = [make_blobs, make_classification, make_moons, make_circles]
kernel_funcs = [model_linear, model_poly, model_rbf, model_sigmoid]
dataset_names = ['make_blobs', 'make_classification', 'make_moons', 'make_circles']

# 循环遍历数据集，分别训练 SVM 模型并绘制决策边界
for i, dataset_func in enumerate(dataset_funcs):
    X, y = dataset_func(n_samples=200, random_state=42)
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    plt.figure(figsize=(10, 8))
    plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap='viridis', alpha=0.5)

    # 循环遍历核函数，分别训练 SVM 模型并绘制决策边界
    for j, kernel_func in enumerate(kernel_funcs):
        model_name = kernel_func.kernel
        plt.subplot(2, 2, j+1)
        plt.title(model_name)
        kernel_func.fit(X_train, y_train)
        y_pred = kernel_func.predict(X_test)
        acc = accuracy_score(y_test, y_pred)
        plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train, cmap='viridis', alpha=0.5)
        plt.scatter(X_test[:, 0], X_test[:, 1], c=y_pred, cmap='viridis', marker='x')
        xx, yy = np.meshgrid(np.linspace(X[:, 0].min()-0.5, X[:, 0].max()+0.5, 100),
                             np.linspace(X[:, 1].min()-0.5, X[:, 1].max()+0.5, 100))
        Z = kernel_func.predict(np.c_[xx.ravel(), yy.ravel()])
        Z = Z.reshape(xx.shape)
        plt.contour(xx, yy, Z, colors='k', levels=[-1, 0, 1], alpha=0.5)
        plt.text(xx.max()-0.3, yy.min()+0.3, f"Accuracy: {acc:.2f}")
    plt.suptitle(f"{dataset_names[i]} dataset")
    plt.show()

这段代码首先定义了 SVM 模型和核函数，并定义了数据集生成器和相关参数。然后循环遍历数据集和核函数，分别训练 SVM 模型并绘制决策边界。在每个数据集中，使用散点图可视化数据样本，并循环遍历核函数，分别训练 SVM 模型并绘制决策边界。最后输出模型的分类准确率。