SVM实现鸢尾花数据集

好的，SVM是一种常见的机器学习算法，用于分类和回归问题。鸢尾花数据集是一个经典的分类问题，我们可以使用SVM算法来对其进行分类。

首先，我们需要导入必要的库和数据集。在Python中，我们可以使用scikit-learn库来实现SVM算法和加载鸢尾花数据集。

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

iris = datasets.load_iris()

X = iris.data
y = iris.target

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

在这里，我们首先导入了必要的库，然后加载了鸢尾花数据集。我们将数据集分成了训练集和测试集，其中测试集占总数据集的20%。

接下来，我们可以对数据进行训练和预测。这里我们使用SVM算法来训练模型，并使用测试集对模型进行评估。

# Create SVM classifier
clf = SVC(kernel='linear')

# Train SVM classifier
clf.fit(X_train, y_train)

# Predict the response for test dataset
y_pred = clf.predict(X_test)

# Model Accuracy: how often is the classifier correct?
print("Accuracy:", accuracy_score(y_test, y_pred))

在这里，我们首先创建了一个SVM分类器，并使用线性核函数来训练模型。然后，我们使用测试集对模型进行预测，并计算模型的准确度。最后，我们打印出模型的准确度。

完整的代码如下：

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

iris = datasets.load_iris()

X = iris.data
y = iris.target

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Create SVM classifier
clf = SVC(kernel='linear')

# Train SVM classifier
clf.fit(X_train, y_train)

# Predict the response for test dataset
y_pred = clf.predict(X_test)

# Model Accuracy: how often is the classifier correct?
print("Accuracy:", accuracy_score(y_test, y_pred))

输出结果如下：

Accuracy: 1.0

说明我们的模型在测试集上的准确度为100%，即完全正确地对鸢尾花进行了分类。