SVM分类预测wine

首先，我们需要准备数据集。Wine数据集是一个十分常用的数据集，其中包含了三个品种的葡萄酒的化学分析结果，共有13个特征。可以通过sklearn库中的load_wine()函数来导入数据集。

接下来，我们可以使用SVM算法对数据进行分类预测。可以使用sklearn库中的SVC函数来实现。需要注意的是，SVM算法对输入数据的缩放比较敏感，因此在使用SVM前，需要对数据进行标准化处理。

下面是一个简单的SVM分类预测wine的代码示例：

from sklearn.datasets import load_wine
from sklearn.preprocessing import StandardScaler
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 导入数据集
wine = load_wine()

# 数据标准化
scaler = StandardScaler()
X = scaler.fit_transform(wine.data)
y = wine.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=0.2, random_state=42)

# SVM分类器
svc = SVC(kernel='linear', C=1.0, random_state=42)
svc.fit(X_train, y_train)

# 预测并计算准确率
y_pred = svc.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

在上面的示例中，我们使用线性核函数，并将参数C设置为1.0，来训练SVM分类器。最后，我们计算了模型的准确率。