svm实现多分类 python

在Python中，使用Scikit-learn库可以很方便地实现SVM多分类器。下面是一个简单的示例代码：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm

# 加载数据集
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)

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

# 输出准确率
print("Accuracy:", metrics.accuracy_score(y_test, y_pred))

在这个示例中，我们使用Iris数据集进行训练和测试。首先，我们加载数据集并将其分为训练集和测试集。然后，我们创建一个SVM分类器，使用线性核函数，C=1和OVR策略来处理多分类问题。接着，我们使用训练集对模型进行训练，并使用测试集进行预测。最后，我们输出预测准确率。