SVM在鸢尾花数据集上的分类

SVM（Support Vector Machine）是一种常用的机器学习算法，适用于分类和回归问题。在鸢尾花数据集上，我们可以使用SVM进行分类任务，将鸢尾花分为三个类别：Setosa、Versicolour和Virginica。

下面是使用Python中的scikit-learn库进行SVM分类的示例代码：

# 导入相关的库和数据集
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn import svm

iris = datasets.load_iris()
X = iris.data
y = iris.target

# 将数据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)

# 使用SVM进行分类
clf = svm.SVC(kernel='linear', C=1)
clf.fit(X_train, y_train)

# 预测测试集数据
y_pred = clf.predict(X_test)

# 输出分类结果
print("Accuracy:", clf.score(X_test, y_test))

上述代码中，我们首先加载鸢尾花数据集，然后将数据分为训练集和测试集。接着，我们使用SVM进行分类，并使用训练集对模型进行训练。最后，我们对测试集进行预测，并输出分类准确率。

需要注意的是，这里使用的是线性SVM，在实际应用中可能需要使用其他核函数进行分类。另外，还需要进行参数调节来优化分类效果。