python svm多分类

在 Python 中使用 SVM 进行多分类可以使用以下两种方法：

1. One-vs-One (OvO) 方法：对于有 N 个类别的问题，训练 N × (N-1) / 2 个二元分类器，其中每个分类器处理两个类别之间的区别。在预测时，将所有分类器的结果加权投票。

2. One-vs-All (OvA) 方法：对于有 N 个类别的问题，训练 N 个二元分类器，其中每个分类器将一个类别与所有其他类别区分开来。在预测时，选择具有最高置信度的分类器的输出。

以下是使用 scikit-learn 库中的 SVM 进行多分类的示例代码：

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

# 将数据集拆分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建 SVM 分类器
clf = svm.SVC(kernel='linear', C=1, decision_function_shape='ovr')

# 训练 SVM 分类器
clf.fit(X_train, y_train)

# 预测测试集
y_pred = clf.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print('准确率：', accuracy)

在上面的示例中，我们使用了 `svm.SVC` 类创建了一个支持向量机分类器，并使用 `train_test_split` 函数将数据集拆分为训练集和测试集。然后，我们使用训练集训练了分类器，并使用测试集进行了预测。最后，我们使用 `accuracy_score` 函数计算了模型的准确率。