svm对鸢尾花数据集分类

使用支持向量机（SVM）算法对鸢尾花数据集进行分类，可以按照以下步骤进行：

1. 导入数据集，并将其分为训练集和测试集。
2. 使用特征缩放（feature scaling）将训练集数据进行归一化处理。
3. 构建SVM模型，并使用训练集数据进行训练。
4. 使用测试集数据对模型进行评估。

以下是Python代码示例：

# 导入所需的库
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
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)

# 特征缩放
sc = StandardScaler()
X_train_std = sc.fit_transform(X_train)
X_test_std = sc.transform(X_test)

# 构建SVM模型
svm = SVC(kernel='linear', C=1.0, random_state=0)
svm.fit(X_train_std, y_train)

# 使用测试集数据对模型进行评估
y_pred = svm.predict(X_test_std)
print('Accuracy: %.2f' % accuracy_score(y_test, y_pred))

在上面的代码中，我们使用线性SVM模型，并设置C参数为1.0。我们使用测试集数据对模型进行评估，并输出准确率（accuracy）的值。