调通的Python SVM鸢尾花识别代码

以下是一份Python SVM鸢尾花识别代码的示例：

# 导入需要的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

# 加载鸢尾花数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=0)

# 创建SVM分类器并进行训练
clf = SVC(kernel='linear', C=1.0, random_state=0)
clf.fit(X_train, y_train)

# 对测试集进行预测
y_pred = clf.predict(X_test)

# 计算分类器的准确率
accuracy = accuracy_score(y_test, y_pred)
print('Accuracy:', accuracy)

该代码使用了sklearn库中的SVM分类器来对鸢尾花数据集进行分类。代码分析如下：

（1）导入需要的库：从sklearn库中导入所需的数据集、训练集拆分、SVM分类器和准确率计算所需的函数。

（2）加载鸢尾花数据集：使用datasets库中的load_iris函数加载鸢尾花数据集，并将数据和标签分别赋值给X和y。

（3）将数据集分为训练集和测试集：使用train_test_split函数将数据集分为训练集和测试集，其中测试集占总数据集的30%。

（4）创建SVM分类器并进行训练：使用SVC函数创建一个SVM分类器，并使用fit函数对训练集进行训练。

（5）对测试集进行预测：使用predict函数对测试集进行预测，并将预测结果赋值给y_pred。

（6）计算分类器的准确率：使用accuracy_score函数计算分类器在测试集上的准确率，并将结果打印出来。

在实际应用中，可以根据需求选择不同的核函数和参数来优化SVM分类器的性能。