svm分类器python

在Python中使用支持向量机（SVM）分类器非常方便，因为有很多成熟的机器学习库可以使用。以下是一个简单的示例，演示如何使用 scikit-learn 库中的 SVM 分类器：

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

# 加载数据集
iris = 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=42)

# 创建 SVM 分类器
clf = svm.SVC(kernel='linear')

# 训练分类器
clf.fit(X_train, y_train)

# 预测测试集中的结果
y_pred = clf.predict(X_test)

# 计算准确率
acc = accuracy_score(y_test, y_pred)
print('Accuracy: {:.2f}'.format(acc))

在上述示例中，我们使用 iris 数据集作为训练和测试数据。首先，我们将数据集分为训练集和测试集，然后创建一个 SVM 分类器并使用训练集进行训练。接下来，我们使用测试集中的数据进行预测，并计算预测结果的准确率。最后，我们打印输出准确率的值。

请注意，上述示例只是 SVM 分类器的一个简单示例。在实际应用中，你需要根据不同的数据集和问题来选择适当的 SVM 分类器类型，并对参数进行调整以获得最佳性能。