python训练三分类SVM

好的，下面是使用Python训练三分类SVM的示例代码：

from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.metrics import confusion_matrix
from sklearn.svm import SVC

# 加载数据集
iris = datasets.load_iris()
X = iris.data
y = iris.target

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 训练SVM模型
svm = SVC(kernel='linear', C=1, random_state=42)
svm.fit(X_train, y_train)

# 预测测试集结果
y_pred = svm.predict(X_test)

# 输出混淆矩阵
cm = confusion_matrix(y_test, y_pred)
print(cm)

在示例代码中，我们使用了sklearn库中的iris数据集，并使用train_test_split函数将其划分为训练集和测试集。然后，我们使用SVC函数训练SVM模型，并使用predict函数预测测试集结果。最后，我们使用confusion_matrix函数输出混淆矩阵。

需要注意的是，在上述示例代码中，我们使用了线性核函数，适用于线性可分的情况。如果数据集不是线性可分的，可以使用其他核函数，例如高斯核函数。同时，在训练SVM模型时，需要设置参数C和gamma，以及选择合适的核函数和参数，以达到最好的分类效果。