再来一个svm五分类实现

好的，以下是一个基于Python和scikit-learn库实现的简单的SVM五分类器：

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

# 生成数据集
X, y = make_classification(n_features=10, n_redundant=0, n_informative=10,
                           n_clusters_per_class=1, n_classes=5, random_state=42)

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 定义模型
clf = svm.SVC(kernel='rbf', C=1, decision_function_shape='ovr')

# 训练模型
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
acc = accuracy_score(y_test, y_pred)

print("Accuracy:", acc)

在上述代码中，我们首先使用 `make_classification()` 函数生成一个包含 10 个特征和 5 个类别的数据集。然后，我们使用 `train_test_split()` 函数将数据集划分为训练集和测试集。接着，我们定义了一个基于RBF核的SVM分类器，并使用 `fit()` 函数对训练集进行训练。最后，我们使用 `predict()` 函数对测试集进行预测，并使用 `accuracy_score()` 函数计算准确率。

需要注意的是，本示例中的SVM分类器是基于一种一对多（One-vs-Rest）的策略进行多分类的。如果需要使用其他策略，可以在 `SVC()` 函数中设置 `decision_function_shape` 参数。