SVM实战

SVM（Support Vector Machine）是一种常用的监督学习算法，可以用于分类和回归问题。下面我将为您演示SVM在分类问题上的实战。

首先，我们需要准备数据集。这里我选用的是sklearn自带的鸢尾花数据集。代码如下：

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

iris = load_iris()
X_train, X_test, y_train, y_test = train_test_split(iris.data, iris.target, test_size=0.3, random_state=42)

接下来，我们可以使用sklearn中的SVM模型进行训练和预测。代码如下：

from sklearn.svm import SVC
from sklearn.metrics import accuracy_score

svm = SVC(kernel='linear')
svm.fit(X_train, y_train)
y_pred = svm.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)
print("Accuracy:", accuracy)

在这里，我们使用线性核函数(kernel='linear')来训练SVM模型。然后，我们用测试集进行预测，并计算预测准确率。

最后，我们可以输出预测结果和实际结果进行比较。代码如下：

print("Prediction:", y_pred)
print("Actual:", y_test)

通过上述实战，我们可以看到SVM在分类问题上具有较好的表现。您可以尝试使用不同的核函数和参数来进行训练，以达到更好的预测效果。